OpenAI می‌گوید یک مدل امنیتی منتشرنشده این شرکت توانسته با بررسی حدود ۲.۸ میلیون خط از کد هسته لینوکس، صدها آسیب‌پذیری را شناسایی کند. خروجی نهایی این کمپین شامل ۹۴۸ آسیب‌پذیری منحصربه‌فرد بوده و عامل‌های هوش مصنوعی برای بسیاری از موارد، نمونه اثبات مفهوم یا اکسپلویت ارتقای دسترسی ساخته‌اند؛ نتیجه‌ای که می‌تواند برای پژوهشگران امنیت و مدیران سامانه‌های لینوکسی مهم باشد.
نکات کلیدی
- مدل امنیتی منتشرنشده OpenAI، ۹۴۸ آسیب‌پذیری منحصربه‌فرد را در هسته لینوکس شناسایی کرده است.
- عامل‌های Scout حدود ۲.۸ میلیون خط کد، معادل نزدیک به ۷ درصد کد هسته لینوکس را بررسی کرده‌اند.
- در فرایند اعتبارسنجی، ۱٬۷۲۴ آسیب‌پذیری با کمک ماشین‌های مجازی ایزوله تأیید شده‌اند.
- عامل‌ها ۲۹۱ نمونه اثبات مفهوم برای نشت اطلاعات و ۱٬۱۶۹ اکسپلویت ارتقای دسترسی محلی تولید کرده‌اند.
- کل کمپین ۱٬۲۱۳٬۴۳۰ دلار اعتبار API مصرف کرده است.
از جست‌وجوی کد حساس تا تأیید آسیب‌پذیری
این پروژه در ماه اکتبر و به‌صورت یک فرایند خودکار تحقیقاتی در حوزه امنیت سایبری اجرا شده است. در مرحله نخست، عامل‌هایی با عنوان Scout Agents تعداد ۵٬۰۳۴ بخش حساس از نظر امنیتی را در هسته لینوکس پیدا کردند و نزدیک به ۲.۸ میلیون خط کد را زیر بررسی بردند.
پس از آن، Analyst Agents طی ۱۲ ساعت، ۲٬۳۰۸ مورد مشکوک به آسیب‌پذیری را مشخص کردند. سامانه سپس این موارد را در ماشین‌های مجازی ایزوله آزمایش کرد و طی ۳۰ ساعت، ۱٬۷۲۴ آسیب‌پذیری را به تأیید رساند. استفاده از محیط ایزوله در چنین آزمایشی اهمیت زیادی دارد، چون کدهای مشکوک بدون درگیرکردن سامانه‌های واقعی بررسی می‌شوند.
عدد نهایی ۹۴۸ به آسیب‌پذیری‌های منحصربه‌فرد شناسایی‌شده در کمپین اشاره دارد. این تفکیک مهم است، زیرا تعداد موارد تأییدشده، تلاش‌های بهره‌برداری و آسیب‌پذیری‌های منحصربه‌فرد لزوماً با یکدیگر برابر نیستند.
عامل‌های هوش مصنوعی فقط به شناسایی بسنده نکردند
مرحله بعدی آزمایش به بررسی امکان سوءاستفاده عملی اختصاص داشت. عامل‌های هوش مصنوعی توانستند ۲۹۱ نمونه اثبات مفهوم یا PoC برای نشت اطلاعات و ۱٬۱۶۹ اکسپلویت عملی برای ارتقای سطح دسترسی محلی تولید کنند.
ارتقای سطح دسترسی محلی به این معناست که مهاجمی که از قبل به شکلی محدود به یک سامانه دسترسی دارد، تلاش می‌کند مجوزهای بالاتری به دست آورد. در نمونه‌های مطرح‌شده، هدف رسیدن به سطح دسترسی Root بوده؛ سطحی که کنترل گسترده‌ای بر سیستم لینوکسی فراهم می‌کند.
این آزمایش نمونه‌ای از به‌کارگیری عامل‌های هوش مصنوعی در فرایندهای چندمرحله‌ای است؛ جایی که چند گروه عامل، از جست‌وجوی کد حساس تا تحلیل، اعتبارسنجی و ساخت اکسپلویت را دنبال می‌کنند.
هزینه کمپین و مقایسه با آزمایش قبلی
OpenAI اعلام کرده که این فرایند در مجموع ۱٬۲۱۳٬۴۳۰ دلار اعتبار API مصرف کرده است. برای مقایسه فرضی، مبالغ ۲۰ هزار دلار در Pwn2Own و ۷۰ هزار دلار در TyphoonPWN به‌عنوان نرخ پاداش در نظر گرفته شده‌اند. بر همین مبنا، ارزش فرضی ۹۴۸ آسیب‌پذیری بین ۱۸.۹ تا ۶۶.۳ میلیون دلار برآورد شده و هزینه اجرای هوش مصنوعی تا ۵۵ برابر کمتر از این مقایسه عنوان شده است.
کمپین اکتبر در مقایسه با آزمایش ماه ژوئیه OpenAI گسترده‌تر بوده است. در آزمایش پیشین با مدل GPT-5.6 Sol، تعداد ۱۶۶ آسیب‌پذیری منحصربه‌فرد ارتقای سطح دسترسی محلی شناسایی و بهره‌برداری شده بود و اجرای آن ۵۱۳٬۶۹۰ دلار اعتبار API هزینه داشت. در آزمایش جدید، تعداد آسیب‌پذیری‌های منحصربه‌فرد به ۹۴۸ مورد رسیده است.
برای شما که با سرورها، زیرساخت یا آموزش لینوکس و متن‌باز سروکار دارید، نکته اصلی فقط تعداد یافته‌ها نیست. مهم‌تر این است که عامل‌های هوش مصنوعی توانسته‌اند مراحل مختلف پژوهش امنیتی را به‌صورت زنجیره‌ای انجام دهند؛ از پیدا کردن بخش‌های حساس کد تا آزمودن امکان بهره‌برداری عملی.
جمع‌بندی
آزمایش OpenAI تصویری از نقش احتمالی عامل‌های هوش مصنوعی در آینده پژوهش امنیتی ارائه می‌کند: بررسی میلیون‌ها خط کد، دسته‌بندی موارد مشکوک و آزمایش آن‌ها در محیط ایزوله. با این حال، چون مدل هنوز منتشر نشده، ارزیابی مستقل روش کار، دقت نتایج و ماهیت آسیب‌پذیری‌های گزارش‌شده برای سنجش کامل این دستاورد ضروری است.