مدل سایبری OpenAI در هسته لینوکس ۹۴۸ آسیبپذیری پیدا کرد
مدل سایبری OpenAI با بررسی فقط بخشی از کدهای هسته لینوکس، ۹۴۸ آسیبپذیری مجزا پیدا کرده. این آزمایش نشان میدهد ایجنتهای هوش مصنوعی چطور میتوانند روند کشف و اعتبارسنجی رخنههای امنیتی را سریعتر و کمهزینهتر کنند.
تهیهشده با کمک هوش مصنوعی از منابع ذکرشده

فهرست مطالب۶ بخش
مدل امنیت سایبری OpenAI با بررسی حدود ۲.۸ میلیون خط از کدهای هسته لینوکس، ۹۴۸ آسیبپذیری مجزا را شناسایی کرده است؛ باگهایی که میتوانند به مهاجم امکان ارتقای سطح دسترسی تا دسترسی روت را بدهند. اهمیت این یافته فقط به تعداد رخنهها محدود نمیشود، چون آزمایش نشان میدهد ایجنتهای هوش مصنوعی میتوانند از مرحله بررسی کد تا ساخت نمونه عملی سوءاستفاده را دنبال کنند.
#نکات کلیدی
- مدل OpenAI حدود ۲.۸ میلیون خط، معادل نزدیک به ۷ درصد کدهای هسته لینوکس را بررسی کرد.
- این فرایند در نهایت به شناسایی ۹۴۸ آسیبپذیری مجزا منجر شد.
- ایجنتها ۲۹۱ اثبات مفهوم افشای اطلاعات و ۱٬۱۶۹ کد سوءاستفاده فعال تولید کردند.
- هزینه پژوهش ۱.۲۱ میلیون دلار اعتبار API اعلام شده است.
- در دوره ۱۰ روزه پژوهش، ۶۱ رخنه در شاخه اصلی پروژه برطرف شدند.
#ایجنتهای هوش مصنوعی چگونه باگها را پیدا کردند؟
براساس گزارش کشف آسیبپذیریهای هسته لینوکس، OpenAI برای اجرای این پژوهش از سه دسته ایجنت تخصصی استفاده کرده است. ایجنتهای پیشرو یا Scout بخشهای در دسترس کد را بررسی میکردند، ایجنتهای Analyst وظیفه تحلیل را بر عهده داشتند و ایجنتهای Triage یافتهها را اعتبارسنجی میکردند.
این سامانه فقط به علامتگذاری بخشهای مشکوک بسنده نکرد. ایجنتها با شبیهسازی حملات، کدهای سوءاستفاده یا اکسپلویت ساختند تا امکان بهرهبرداری عملی از نقصها را بررسی کنند. حاصل کار ۲۹۱ اثبات مفهوم مربوط به افشای اطلاعات و ۱٬۱۶۹ اکسپلویت فعال بود که پس از حذف موارد همپوشان، به ۹۴۸ باگ متمایز رسید.
#آزمایش در برابر سازوکارهای دفاعی لینوکس
آزمایشها روی نسخههایی انجام شدهاند که به سازوکارهای دفاعی لینوکس مجهز بودند. این موارد شامل KASLR برای تصادفیسازی چیدمان فضای آدرس هسته، SMEP برای جلوگیری از اجرای کد در حالت نظارت و SMAP برای محافظت از دسترسی در همین حالت میشوند.
OpenAI گفته است ایجنتها در جریان این آزمایش از دستکم ۱۰ تکنیک نفوذ استفاده کردهاند که پیشتر ناشناخته بودهاند. این موضوع نشان میدهد نقش مدل فقط جستوجوی الگوهای شناختهشده نبوده و سامانه توانسته شیوههای تازهای برای بهرهبرداری از نقصها بازسازی کند.
#هزینه کشف هر آسیبپذیری چقدر بود؟
هزینه کل پژوهش ۱.۲۱ میلیون دلار اعتبار API اعلام شده که میانگین آن برای هر آسیبپذیری حدود ۱٬۲۷۹ دلار است. در گزارش، این رقم با پاداشهای رایج ۲۰ هزار تا ۷۰ هزار دلاری در رویدادهای امنیتی مقایسه شده است؛ مقایسهای که ظرفیت اقتصادی استفاده از هوش مصنوعی در بررسی کدهای بزرگ را برجسته میکند.
براساس تعرفههای رایج شکار آسیبپذیری، ارزش مالی مجموع یافتهها بین ۱۸.۹ تا ۶۶.۳ میلیون دلار تخمین زده شده است. در دوره ۱۰ روزه اجرای پژوهش نیز ۶۱ رخنه در شاخه اصلی پروژه برطرف شدند و OpenAI گزارشهای وصله امنیتی متعددی ارائه کرده است.
#این یافته برای کاربران و توسعهدهندگان چه معنایی دارد؟
هسته لینوکس پایه فنی طیف گستردهای از دستگاههای اندرویدی، زیرساختهای ابری و ابرکامپیوترهاست و پایگاه کد آن بیش از ۴۰ میلیون خط دارد. بنابراین، پیدا کردن نقص در این بخش میتواند برای توسعهدهندگان، مدیران زیرساخت و تیمهای امنیتی اهمیت مستقیمی داشته باشد.
این آزمایش همچنین نشان میدهد ایجنتهای تخصصی میتوانند در پروژههای بسیار بزرگ، کار را میان کشف، تحلیل و اعتبارسنجی تقسیم کنند. برای شما بهعنوان توسعهدهنده یا مسئول امنیت، نکته مهم این است که هوش مصنوعی در این پژوهش صرفاً پیشنهاددهنده نبوده؛ بلکه توانسته یافتهها را با ساخت کد سوءاستفاده عملی آزمایش کند.
#جمعبندی
کشف ۹۴۸ آسیبپذیری با بررسی نزدیک به ۷ درصد از کدهای هسته لینوکس، تصویری جدی از توان مدلهای هوش مصنوعی در پژوهش امنیتی ارائه میدهد. این فناوری میتواند بررسی پایگاههای کد بزرگ را سریعتر و کمهزینهتر کند، اما ارزش واقعی آن زمانی مشخص میشود که یافتهها بهدرستی اعتبارسنجی و به وصلههای امنیتی تبدیل شوند.
مطالب مرتبط
برای ادامه مطالعه
این یادداشتها بر اساس موضوع مشترک، همپوشانی برچسبها و تازگی انتشار انتخاب میشوند.

مدل امنیتی OpenAI در هسته لینوکس ۹۴۸ آسیبپذیری یافت
یک مدل منتشرنشده OpenAI بخشهایی از هسته لینوکس را زیرورو کرده و به ۹۴۸ آسیبپذیری منحصربهفرد رسیده. نکته جالب اینجاست که عاملهای هوش مصنوعی فقط دنبال ایراد نگشتهاند و برای شماری از آنها اکسپلویت عملی هم ساختهاند.


دیدگاهها
اولین نفری باش که دیدگاه میذاره
دیدگاهها پس از بررسی منتشر میشوند. ایمیل شما نمایش داده نمیشود.