سیستم خودکار OpenAI با یک بار اجرا، ۹۴۸ حفره امنیتی برای دسترسی ریشه در لینوکس کشف کرد

تیم امنیتی OpenAI اعلام کرد که یک سامانه خودکار مبتنی بر هوش مصنوعی موفق شده است نقص‌های امنیتی هسته لینوکس را شناسایی کند، آنها را بازتولید نماید، کدهای اکسپلویت کارآمد برای نفوذ بسازد و حتی پیش‌نویس وصله‌های امنیتی را آماده کند. در یک پویش آزمایشی روی نسخه پیش‌فرض دسکتاپ لینوکس که تمام سازوکارهای حفاظتی استاندارد در آن فعال بود، این سیستم توانست ۹۴۸ اکسپلویت کارآمد برای ارتقای سطح دسترسی محلی (LPE) تولید کند. طبق گزارش OpenAI، کل هزینه استفاده از API برای این پروژه حدود ۱٬۲۱۳٬۴۳۰ دلار بوده که به‌طور میانگین برای هر اکسپلویت تقریباً ۱٬۲۸۰ دلار تمام شده است.

برای توسعه‌دهندگان و نگهدارندگان لینوکس، این نتیجه یک چالش فوری و اساسی در زمینه ظرفیت پردازش و نیروی انسانی ایجاد می‌کند؛ زیرا کشف خودکار آسیبپذیری‌ها می‌تواند گزارش‌های تأییدشده را با سرعتی تولید کند که انسان‌ها توان غربال موارد تکراری، بازبینی، وصلهکردن و افشای هماهنگ آنها را ندارند. از سوی دیگر، اتوماسیون‌های مشابه ممکن است در اختیار مهاجمان سایبری نیز قرار گیرد تا پیش از عرضه وصله توسط تیم‌های امنیتی، این رخنه‌ها را شناسایی و بهرهبرداری کنند.

از کد منبع تا دسترسی کامل به ریشه سیستم

شرکت OpenAI یک فرآیند کاری پنج مرحله‌ای را شرح داده است که تحلیل مبتنی بر مدل‌های هوش مصنوعی را به اجرای آزمایش‌ها در ماشین‌های مجازی ایزوله متصل می‌کند:

1. کشف آسیبپذیری: ایجنت‌ها کدهای منبع هسته لینوکس را برای یافتن نقایص امنیتی بررسی می‌کنند.
2. اعتبارسنجی پویا: باگ‌های احتمالی در ماشین‌های مجازی ایزوله و سندباکس اجرا می‌شوند تا وجود واقعی آنها تأیید شود.
3. ارزیابی قابلیت نفوذ: ایجنت‌ها تلاش می‌کنند نقص‌های تأییدشده را به نشت اطلاعات یا اکسپلویت ارتقای دسترسی تبدیل کنند.
4. تولید وصله امنیتی: این سیستم پیش‌نویس راهکارهای اصلاحی را برای آسیبپذیری‌های معتبر تدوین می‌کند.
5. بازبینی انسانی: پژوهشگران امنیتی پیش از گزارش یافته‌ها به نگهدارندگان لینوکس، نتایج، اکسپلویت‌ها و وصله‌ها را ارزیابی می‌کنند.

پویش امنیتی OpenAI در اواسط اکتبر سال ۲۰۲۶ روی جدیدترین نسخه هسته لینوکس اجرا شد. آمارهای منتشرشده از این آزمایش به شرح زیر است:

آسیبپذیری ارتقای سطح دسترسی محلی که بهاختصار LPE نامیده می‌شود، به یک فرایند یا کاربر بدون مجوز اجازه می‌دهد به دسترسی‌های سطح بالا دست یابد. مهاجمان معمولاً پیش از استفاده از یک آسیبپذیری LPE برای بهدست گرفتن کنترل کامل دستگاه، نیازمند یک جای پای اولیه از طریق رخن‌های دیگر، سرقت اعتبارنام‌های یا اجرای نرمفزار مخرب هستند. شرکت OpenAI اکسپلویت را تنها زمانی موفقیتآمیز ثبت کرده که به دسترسی کامل شل ریشه (Root Shell) دست یافته باشد.

نشت اطلاعات باعث افشای بخش‌های حفاظتیافته حافظه هسته می‌شود و به مهاجمان کمک می‌کند سازوکارهای دفاعی نظیر تصادفسازی چیدمان فضای آدرس (ASLR) را دور بزنند. در گزارش منتشرشده، رابطه دقیق میان تعداد موارد نشت اطلاعات و اکسپلویت‌ها مبهم باقی مانده است و مشخص نیست که آیا این دو دسته با یکدیگر همپوشانی دارند یا خیر.

ده تکنیک جدید در نفوذ به لینوکس

تیم OpenAI مدعی است که ایجنت‌های هوش مصنوعی دست‌کم از ۱۰ تکنیک نفوذ به لینوکس استفاده کرده‌اند که پژوهشگران و کارشناسان مشاور این شرکت، هیچ نمونه عمومی و سابقه قبلی برای آنها نیافته‌اند. اگر بازبینی‌های مستقل این ادعا را تأیید کند، نشان می‌دهد که مدل‌های پیشرو می‌توانند مؤلفه‌های اولیه نفوذ را به تکنیک‌ها یا زنجیره‌های حمل‌های تبدیل کنند که پیشتر در ادبیات عمومی امنیت سایبری وجود نداشته است.

تأیید مستقل این موضوع مستلزم ارائه جزئیات فنی کافی است تا بتوان یک تکنیک کاملاً نوآورانه را از پیاده‌سازی یا ترکیب روش‌های شناختهشده تفکیک کرد. هرچند تا زمان آماده‌سازی وصله‌ها توسط نگهدارندگان لینوکس به تعویق انداختن انتشار عمومی این جزئیات امری منطقی است، اما ادعای نوآوری تا زمان بررسی داده‌های اصلی توسط پژوهشگران مستقل، متکی بر ادعای OpenAI باقی خواهد ماند.

هزینه ۱۲۸۰ دلاری به ازای هر اکسپلویت کارآمد

شرکت OpenAI هزینه مصرفی API خود را با نرخ پاداش‌های ثبتشده در مسابقاتی مانند Pwn2Own و TyphoonPWN مقایسه کرده است. اعمال این نرخ‌ها روی هر ۹۴۸ اکسپلویت کشفشده، ارزشی فرضی بین ۱۸٫۹ میلیون تا ۶۶٫۳ میلیون دلار در برنامه‌های پاداش باگبانتی به‌همراه خواهد داشت.

هزینه کل این پویش علاوه بر هزینه API، شامل زیرساخت ماشین‌های مجازی، زمان پژوهشگران، توسعه مدل‌ها، بازبینی وصله‌ها، آزمون‌های بازگشتی و هماهنگی برای افشای مسئولانه نیز می‌شود. از سوی دیگر، برنامه‌های باگبانتی همواره محدودیت‌های مشخصی در زمینه دامنه اهداف، موارد تکراری، سطح خطر و سقف بودجه دارند؛ بنابراین ضربکردن ساده تعداد یافته‌ها در نرخ‌های مصوب، ارزش واقعی و قابل تحقق را بیش از حد برآورد می‌کند. یک توجیه اقتصادی دقیق باید کل هزینه‌های عملیاتی را با میزان کاهش خسارات احتمالی و توانایی سازمان در ادغام و اعمال وصله‌ها مقایسه کند.

رشد ۴۰ برابری نسبت به آزمایش‌های قبلی

شرکت OpenAI پیشتر با اجرای برنامه Daybreak، پروژه Patch the Planet را با همکاری مؤسساتی مانند Trail of Bits، HackerOne و توسعه‌دهندگان متن‌باز معرفی کرده بود. در آن دوره، OpenAI اعلام کرد که مدل GPT-5.5 Cyber توانسته آسیبپذیری‌هایی در هسته لینوکس بیابد و ۲۴ اکسپلویت کارآمد برای ارتقای دسترسی بسازد. آمار کنونی از نظر تعداد یافته‌ها ۳۹٫۵ برابر بزرگ‌تر شده است، هرچند تغییرات مدل، اهداف آزمایشی، پیکربندی‌ها و روششناسی پژوهش ممکن است روی مقایسه مستقیم این نتایج اثرگذار باشد.

در همان هفته، گزارش امنیتی شرکت Anthropic مدل تهدید متفاوتی را بررسی کرد. این شرکت اعلام کرد یکی از مدل‌های منتشرنشده آن توانسته است برای یک نقص امنیتی در پروتکل TCP لینوکس با امتیاز ۹٫۸ در مقیاس CVSS، یک اکسپلویت ریشه از راه دور بسازد. این آسیبپذیری سرورهایی را که از پروتکل چندمسیره TCP استفاده میکردند تحت تأثیر قرار میداد و به مهاجم راه دور و بدون احراز هویت امکان میداد دستورات خود را با سطح دسترسی ریشه اجرا کند.

شش محدودیت اساسی در دستاورد جدید OpenAI

• انسان‌ها همچنان در چرخه افشای اطلاعات حضور دارند: پژوهشگران امنیتی پیش از ارسال هرگونه گزارش به نگهدارندگان لینوکس، یافته‌ها را بررسی کردند.
• کیفیت وصله‌ها هنوز ارزیابی نشده است: وصل‌های که با موفقیت کامپایل شود و جلوی یک مسیر نفوذ را بگیرد، ممکن است باگ‌های جدیدی ایجاد کند، با استانداردهای زیرسیستم لینوکس همخوانی نداشته باشد یا ریشه‌های دیگر مشکل را نادیده بگیرد.
• اکسپلویت‌ها ممکن است ریشه مشترک داشته باشند: نگهدارندگان لینوکس نیازمند دسته‌بندی ریش‌های خطاها هستند تا مشخص شود این پویش در عمل به چه تعداد وصله مستقل نیاز دارد.
• یک پیکربندی واحد تنها بخشی از هسته را پوشش می‌دهد: درایورها، سیستم‌های فایلی، معماری‌های گوناگون و قابلیت‌هایی که در نسخه پیش‌فرض دسکتاپ غیرفعال هستند، نیازمند آزمون‌های جداگان‌های هستند.
• موفقیت در نفوذ به‌شدت وابسته به شرایط محیطی است: نسخه کد هسته، پیکربندی ساخت، کامپایلر، مکانیزم‌های دفاعی، ایمیج ماشین مجازی و فراخوان‌های سیستمی در دسترس می‌توانند نتیجه نهایی را دگرگون کنند.
• تأیید نتایج نیازمند مستندات دقیق است: پژوهشگران برای راستیآزمایی این آمارها، به نسخه دقیق سورس کد، فایل پیکربندی هسته، محیط آزمایشگاهی و معیارهای حذف موارد تکراری نیاز دارند.

آمادگی برای بحران گلوگاه بررسی و بازبینی

تیم‌های توسعه نرمفزار باید خود را آماده رویارویی با گزارش‌های معتبر امنیتی کنند که سرعت ورود آنها بسیار بیشتر از ظرفیت سیستم‌های فعلی بازبینی و انتشار است. نگهدارندگان شاخه‌های لینوکس و سایر پایگاه‌های کد بزرگ می‌توانند با بهره‌گیری از ابزارهای جستجوی کد، تریاژ هوشمند با کمک مدل‌های زبانی، ابزارهای فازینگ، سیستم‌های تست عملکرد و ماشین‌های مجازی یکبارمصرف، زیرساخت خود را ارتقا دهند.

1. ثبت و نگهداری دقیق محیط آزمایش: نسخه سورس کد، فلگ‌های کامپایل، وابستگی‌ها، ایمیج‌ها و تنظیمات امنیتی هر آزمایش را به‌دقت ذخیره کنید.
2. الزام به بازتولید قطعی خطا: هر گزارش باید شامل شرایط اجرای پایدار، فایل‌های لاگ و معیارهای شفاف برای موفقیت در بازتولید باشد.
3. جداسازی محیط‌های اجرا: برنامه‌ها و اکسپلویت‌ها را درون سیستم‌های محدود و یکبارمصرف با دسترسی شبکه کنترلشده اجرا نمایید.
4. دسته‌بندی بر اساس ریشه خطا: خطاهای مرتبط و مسیرهای نفوذ مشابه را پیش از ارسال گزارش یا تدوین وصله در یک گروه قرار دهید.
5. آزمون جامع وصله‌ها: تست‌های بازگشتی اضافه کنید، آزمون‌های اختصاصی زیرسیستم‌ها را به اجرا درآورید و تغییرات را با قواعد پروژه تطبیق دهید.
6. برنامهریزی برای افشای هماهنگ: پیش از افزایش مقیاس کشف حفره‌ها، ساختار مالکیت، معیارهای تعیین سطح خطر، ارتباط با نگهدارندگان و زمانبندی انتشار را مشخص کنید.

تیم‌های فنی همین امروز نیز می‌توانند نسخه‌های کوچک‌تری از این گردش کار را به‌ویژه برای اولویتبندی باگ‌ها و اعتبارسنجی پویا پیاده‌سازی کنند. با این حال، دسترسی نداشتن به مدل‌های منتشرنشده یک عامل متغیر بزرگ است و توسعه‌دهندگان در حال حاضر API عمومی یا بست‌های در اختیار ندارند تا بتوانند عملکرد گزارشکننده OpenAI را شبیه‌سازی کنند.

شرکت OpenAI اعلام کرده است که هماهنگی برای ارسال گزارش‌ها و ارائه وصله‌ها را با اولویت قراردادن آسیبپذیری‌های حیاتی و با همکاری نگهدارندگان هسته لینوکس و شرکای پروژه Patch the Planet آغاز کرده است. پیامدهای عملی این دستاورد فراتر از قدرت یک مدل هوش مصنوعی است؛ چراکه جامعه نگهدارندگان لینوکس اکنون به ظرفیت بالایی از بازبینی، آزمایش و انتشار نیاز دارند تا بتوانند سیل بیپایان یافته‌های تولیدشده توسط ماشین را به وصله‌هایی امن و پایدار تبدیل کنند.