OpenAI اعلام کرده یکی از مدل‌های امنیتی منتشرنشده‌اش در یک فرایند خودکار، ۹۴۸ آسیب‌پذیری منحصربه‌فرد را در هسته لینوکس شناسایی کرده است. عامل‌های هوش مصنوعی این پروژه علاوه بر بررسی کد و اعتبارسنجی یافته‌ها، برای شماری از آسیب‌پذیری‌ها نمونه اثبات مفهوم یا اکسپلویت ارتقای سطح دسترسی ساخته‌اند؛ موضوعی که ظرفیت هوش مصنوعی برای پژوهش امنیتی در مقیاس بزرگ را نشان می‌دهد.
نکات کلیدی
- عامل‌های Scout حدود ۲٫۸ میلیون خط کد از هسته لینوکس را بررسی کردند.
- این بررسی ۵٬۰۳۴ بخش حساس امنیتی، معادل حدود ۷ درصد از کل کد هسته، را پوشش داد.
- عامل‌های تحلیل‌گر طی ۱۲ ساعت، ۲٬۳۰۸ مورد مشکوک را شناسایی کردند.
- آزمایش در ماشین‌های مجازی ایزوله طی ۳۰ ساعت، ۱٬۷۲۴ آسیب‌پذیری را تأیید کرد.
- شمار آسیب‌پذیری‌های منحصربه‌فرد گزارش‌شده در پایان این کمپین به ۹۴۸ مورد رسید.
از جست‌وجوی کد تا اعتبارسنجی خودکار
فرایند کار در چند مرحله انجام شده است. ابتدا عامل‌هایی با عنوان Scout Agents بخش‌های حساس را پیدا کردند و حدود ۲٫۸ میلیون خط از کد هسته لینوکس را مورد بررسی قرار دادند. نتیجه این مرحله، شناسایی ۵٬۰۳۴ ناحیه حساس از نظر امنیتی بود.
در مرحله بعد، Analyst Agents طی ۱۲ ساعت ۲٬۳۰۸ مورد مشکوک به آسیب‌پذیری را بیرون کشیدند. سپس این موارد در ماشین‌های مجازی ایزوله آزمایش شدند و طی ۳۰ ساعت، ۱٬۷۲۴ آسیب‌پذیری تأیید شد. استفاده از محیط ایزوله در چنین آزمایش‌هایی اهمیت دارد، چون بررسی عملی نقص‌های سطح پایین سیستم‌عامل می‌تواند به اختلال یا تصاحب کامل محیط آزمایش منجر شود.
این گزارش ادامه همان مسیری است که در مطلب پیشین داده‌نوشت درباره کشف آسیب‌پذیری‌های هسته لینوکس با مدل امنیتی OpenAI نیز مطرح شده بود.
ساخت اکسپلویت برای سنجش خطر واقعی
عامل‌های هوش مصنوعی پس از شناسایی و اعتبارسنجی، تلاش کردند امکان بهره‌برداری عملی از یافته‌ها را هم بسنجند. حاصل این مرحله، ۲۹۱ نمونه اثبات مفهوم یا PoC برای نشت اطلاعات و ۱٬۱۶۹ اکسپلویت عملی برای ارتقای سطح دسترسی محلی بود.
ارتقای سطح دسترسی محلی یعنی مهاجمی که از قبل امکان اجرای کد روی یک سیستم را دارد، با سوءاستفاده از نقص امنیتی به دسترسی بالاتری برسد. در موارد گزارش‌شده، این دسترسی می‌تواند تا سطح Root بالا برود؛ سطحی که کنترل گسترده‌ای بر سیستم لینوکسی در اختیار مهاجم قرار می‌دهد. به همین دلیل، یافتن ایراد به‌تنهایی کافی نیست و ساخت اکسپلویت می‌تواند شدت و قابلیت سوءاستفاده از آن را روشن‌تر کند.
هزینه کمپین و مقایسه با آزمایش قبلی
کل این فرایند در ماه اکتبر اجرا شده و ۱٬۲۱۳٬۴۳۰ دلار اعتبار API مصرف کرده است. OpenAI برای مقایسه هزینه، پاداش حدود ۲۰ هزار دلاری Pwn2Own و حدود ۷۰ هزار دلاری TyphoonPWN را مبنا قرار داده و ارزش فرضی ۹۴۸ آسیب‌پذیری را بین ۱۸٫۹ تا ۶۶٫۳ میلیون دلار برآورد کرده است. بر همین مبنا، هزینه اجرای هوش مصنوعی می‌تواند تا ۵۵ برابر کمتر از ارزش محاسبه‌شده بر اساس این پاداش‌ها باشد.
کمپین جدید نسبت به آزمایش قبلی OpenAI در ماه ژوئیه دامنه بسیار بزرگ‌تری داشته است. در آزمایش قبلی GPT-5.6 Sol، تعداد ۱۶۶ آسیب‌پذیری منحصربه‌فرد ارتقای سطح دسترسی محلی شناسایی و بهره‌برداری شده بود و هزینه اجرا به ۵۱۳٬۶۹۰ دلار اعتبار API می‌رسید. این بار شمار آسیب‌پذیری‌های منحصربه‌فرد گزارش‌شده به ۹۴۸ مورد افزایش یافته است.
برای شما، اهمیت این خبر فقط در بزرگی اعداد نیست. ترکیب عامل‌های جست‌وجوگر، تحلیل‌گر، محیط‌های مجازی ایزوله و تولید خودکار اکسپلویت نشان می‌دهد پژوهش امنیتی می‌تواند به‌صورت یک خط لوله چندمرحله‌ای اجرا شود؛ حوزه‌ای که در کنار آموزش لینوکس و متن‌باز به دانش تخصصی امنیت نیز وابسته است.
جمع‌بندی
آزمایش OpenAI تصویری از نقش احتمالی عامل‌های هوش مصنوعی در بررسی پروژه‌های نرم‌افزاری بزرگ ارائه می‌کند: از پیمایش میلیون‌ها خط کد تا آزمایش عملی نقص‌ها. بااین‌حال، مدل استفاده‌شده هنوز منتشر نشده و ارزیابی دقیق نتایج به اطلاعات فنی و تأیید مستقل بیشتری نیاز دارد.