Generar hash SHA-1

Google y el CWI de Ámsterdam publicaron dos PDF distintos con el mismo SHA-1. Costó unos 6.500 años de CPU en paralelo, y desde entonces el precio no ha dejado de bajar: hoy es cuestión de decenas de miles de euros en cómputo alquilado.

Lo que eso destruye es la capacidad de afirmar que un contenido no ha cambiado frente a alguien que puede fabricar el otro. Firmas, certificados y comprobaciones de integridad con adversario quedan fuera. Lo que no destruye es la resistencia a la preimagen: sigue sin haber forma práctica de recuperar el texto original.

Un identificador de objeto de Git es un SHA-1, y cambiar eso significa cambiar el formato de repositorio de todo el mundo a la vez. Hay una transición a SHA-256 especificada y en marcha desde hace años, y avanza despacio por esa razón exacta.

Mientras tanto, Git aplica una detección de colisiones que reconoce los patrones del ataque conocido y rechaza esos objetos. No convierte a SHA-1 en seguro; cierra la vía concreta que se demostró. Que sea suficiente depende de si alguien puede meter contenido en tu repositorio.

Aparece con regularidad la idea de aplicar SHA-1 dos veces, combinarlo con una sal o encadenar dos algoritmos. Nada de eso arregla una debilidad de colisión: dos entradas que coinciden en la primera pasada coinciden también en la segunda, porque la segunda solo ve el resultado de la primera.

Para resistencia a colisiones lo único que sirve es otro algoritmo. Además, las construcciones caseras no están analizadas y a veces se comportan peor que sus piezas — hay una razón por la que HMAC es un diseño cuidadoso y no simplemente un hash sobre la clave y el mensaje pegados.

Git muestra los identificadores abreviados, tradicionalmente a siete caracteres. Son 28 bits, unos 268 millones de posibilidades, y por la paradoja del cumpleaños las colisiones se vuelven probables cuando un repositorio ronda los 16.000 objetos. Un proyecto mediano llega ahí sin esfuerzo.

Git lo resuelve alargando la forma corta automáticamente cuando hace falta, y por eso en repositorios grandes se ven ocho, nueve o diez caracteres. Quien copie un identificador abreviado a un script o a un ticket debería saberlo: es una ayuda visual, no un identificador estable.

SHA-1 son 160 bits escritos como 40 dígitos hexadecimales, siempre la misma longitud. Junto con los 32 de MD5 y los 64 de SHA-256, permite reconocer de un vistazo con qué se está tratando.

Es una comprobación que ahorra tiempo cuando una documentación antigua dice «hash» sin más. Contar los caracteres responde la pregunta antes que leer el resto del documento, y evita cotejar valores producidos por algoritmos distintos.

Git antepone a cada objeto su tipo y su longitud, separados por un byte cero, y hashea eso. El SHA-1 del contenido puro de un archivo no es, por tanto, su identificador de objeto — un resultado que se toma por un error con bastante frecuencia y no lo es.

Quien quiera reproducir un identificador a mano tiene que construir esa cabecera primero. Esta página hashea el texto que le des, sin adornos, que es lo que hace falta cuando lo que se está reproduciendo es una firma antigua o el valor esperado por una interfaz heredada.

Igual que con los otros dos: una herramienta de Unix escribe un salto de línea al final de un archivo y un campo de texto no, así que `sha1sum` de un archivo con una palabra no coincide con el SHA-1 de esa palabra escrita aquí.

Se repite en las tres páginas porque es el motivo más frecuente de que dos valores no cuadren, y porque quien llega a una de ellas rara vez ha leído las otras dos. Un byte invisible que cambia el resultado entero merece decirse cada vez.

Úsalo si algo externo lo exige y no puedes cambiarlo: un identificador de Git, una integración con un sistema antiguo, un formato de fichero definido hace veinte años. En esos casos la alternativa no es SHA-256, es no interoperar.

No lo elijas para nada nuevo. Si estás decidiendo hoy cómo firmar, cómo verificar integridad o cómo generar un identificador, SHA-256 hace el mismo trabajo sin la deuda — y no hay ninguna ventaja de SHA-1 que compense arrastrarla.

Lo que se hashea en un campo así suele venir de datos reales: un valor de una fila, un identificador de una integración, un contenido que hay que cotejar con un sistema antiguo. Como el cálculo ocurre en la página, nada de eso se nos comunica.

Y como en los otros dos: hashear un dato personal no lo anonimiza cuando el conjunto de entradas es acotado. Con SHA-1 vale doble, porque su velocidad hace que probar candidatos sea aún más barato que con SHA-256.