Tuhat teed vähem juurkasutaja õigusteni

Turbeuuringuid, mis varem nõudsid iga leiu eraldi ja pikaajalist uurimist, saab üha enam teha süstemaatilise protsessina. Selles dokumendis käsitleme üht oma selle valdkonna ettevõtmist.

Turvanõrkuste avastamist on üha lihtsam laiendada, kuid prioriteetide seadmine ja valideerimine jäävad praktilisteks kitsaskohtadeks. Ehitasime prototüübi, et otsida kontrollitud uurimiskeskkonnas Linuxi tuumast turvavigu. Meie prototüüp tuvastas ja analüüsis Linuxi tuumas 2308 võimalikku leidu, taasesitas dünaamiliselt 1724 turvanõrkust ning lõi 948 õiguste lokaalse laiendamise (LPE) ründekoodi, mis võivad võimaldada eriõigusteta kohalikul kasutajal saada juurkasutaja ligipääsu.

Kasutasime neid tõendeid, et seada turvanõrkustest teavitamise prioriteedid, ning töötasime välja paigakavandid haldajatele ülevaatamiseks. Linuxi tuuma kogukonna juhiste järgi alustasime kriitilistest turvanõrkustest ning töötame koos Patch the Planeti partneritega edasiste aruannete ja paikade kallal.

Juunis teatasime oma algatuse Patch the Planet raames, et GPT‑5.5 Cyber oli tuvastanud Linuxi tuuma turvanõrkusi ning loonud nende valideerimiseks ja raporteerimiseks 24 õiguste lokaalse laiendamise ründekoodi. Laiendasime selle töö tulevasel küberturbemudelil põhinevaks töötlusahelaks, mis hõlmab turvanõrkuste avastamist, dünaamilist valideerimist, ärakasutatavuse hindamist ja paikade genereerimist. Pärast selle töö lõppu vaatasid inimesest uurijad väljundid üle ning edastasid leitud turvanõrkuste aruanded koos paikadega.

Linuxi tuum on aluseks Androidi seadmetele, pilvetaristule, superarvutitele ja teistele süsteemidele, mida kasutavad miljardid inimesed. Enam kui 40 miljoni koodireaga tuum pakub süsteemikutsete, võrgufunktsioonide, failisüsteemide ja seadmedraiverite kaudu laia ründepinda. Valisime Linuxi, et uurida, kui tõhusalt suudavad tipptasemel mudelid sellise mahu ja tähtsusega koodibaasis turvanõrkusi leida ning nende turbemõju näidata.

Esialgne turvanõrkuste avastamise etapp andis tuhandeid võimalikke leide – liiga palju, et turbeuurijad saaksid need käsitsi üle vaadata ja prioriseerida. Meie turvanõrkuste avastamise ahela praktiline raskus ei olnud avastamine, vaid kindlakstegemine, milliseid leide saab taasesitada, millise turvapiiri need ületavad ja millised vajavad haldajate tähelepanu kõige varem.

OpenAI küberturbemeeskonna missioon on aidata tagada selle tarkvara turvalisus, millele maailm toetub. Esitame iga etapi API kulud, et aidata uurijatel hinnata selle töö kordamiseks ja laiendamiseks vajalikke ressursse. Need kulud kajastavad selles hindamises kasutatud mudeleid, sihtsüsteemide konfiguratsioone ja töövoogu. Meie laiem eesmärk on aidata kaitsjatel turvanõrkusi leida ja parandada, vähendades ründajate võimalusi ning suurendades nende jaoks tarkvara turvanõrkuste ärakasutamise kulu.

Lõpetuseks tasub märkida, et keskendusime selles uuringus metoodikale ja mudeli võimekuse mõõtmisele, mitte kulule. Eeldame, et täitmiskeskkonna piisav arendamine võiks iga etapi kulu märgatavalt vähendada; seega on meie esitatud kulud pigem ülempiir.

Meie turvanõrkuste uurimise prototüüp on viieetapiline töötlusahel, mille keskmes on tulevane küberturbemudel:

• Turvanõrkuste avastamine: agendid tuvastavad koodibaasi turbe seisukohalt olulised osad ja skannivad neid võimalike leidude tuvastamiseks.

• Dünaamiline valideerimine: agendid püüavad iga võimalikku leidu isoleeritud keskkonnas taasesitada ja säilitavad käitusaegsed tõendid. Selle sammu väljundiks on taasesitatud ja kinnitatud turvanõrkused.

• Ärakasutatavuse hindamine: agendid katsetavad, kas kinnitatud turvanõrkused võivad võimaldada teabe lekkimist või õiguste lokaalset laiendamist.

• Paikade genereerimine: agendid genereerivad iga tuvastatud turvanõrkuse kõrvaldamiseks paiga.

• Inimese ülevaatus: turbeuurijad vaatavad enne haldajatele teatamist üle ründekoodi, paiga ja pakutud tõsidusastme.

Töötlusahela lõpus koondab süsteem algpõhjuse analüüsi, minimaalse krahhi tekitava kontseptsioonitõestuse, paigakavandi ja täieliku ründekoodi, et aidata inimesest uurijatel hinnata turvanõrkuse tõsidust ning viia parandused põhiprojekti.

Mitte iga Linuxi tuuma koodirida pole turbe seisukohalt oluline. Meie töötlusahel kasutas luureagentide meeskonda, et leida väärtuslikud auditiobjektid, mis anti seejärel analüüsiagentidele turvanõrkuste otsimiseks.

Luureagendid loevad läbi kõik kaustad ja failid ning määravad auditeeritavad objektid nende ligipääsetavuse (kas väheste õigustega kasutajad pääsevad neile ligi) ja turbealase olulisuse põhjal.

Selles etapis tuvastati 5034 auditiobjekti ehk umbes 2,8 miljonit koodirida. See on ligikaudu 7% kogu Linuxi tuuma koodibaasist, mis vähendas turbeauditi kulu märkimisväärselt võrreldes kogu koodibaasi analüüsiga. See samm maksis API krediitides 3426 dollarit.

Järgmiseks analüüsisid analüüsiagendid iga auditiobjekti ja leidsid võimalikke turvanõrkusi, kasutades Codex Security pluginaga⁠(avaneb uues aknas) sarnast töövoogu. Üldjoontes loevad analüüsiagendid neile määratud auditiobjekti koodi, et mõista selle toimimist, tuvastada selle ohumudel ja otsida sellest turvanõrkusi.

Analüüsiagendid tuvastasid 12 tunniga pärast duplikaatide eemaldamist 2308 võimalikku leidu. See etapp maksis API krediitides 316 549 dollarit.

Võimalik leid ei ole sama mis kinnitatud turvanõrkus. Sellise mahu juures ei ole meie uurimismeeskonnal otstarbekas iga aruannet käsitsi uurida.

Seetõttu keskendusime nende leidude valideerimisele, mis a) olid väheste õigustega kasutajale ligipääsetavad, b) ei nõudnud eriõigusi ja c) andsid mõõdetavaid tõendeid mälu rikkumise kohta.

Iga võimaliku leiu jaoks genereeris triaažiagent kontseptsioonitõestuse ja käitas seda isoleeritud virtuaalmasinas, mille Linuxi tuumas oli kasutusel Kernel Address Sanitizer (KASAN). Agent jälgis nii programmi väljundit kui ka süsteemikonsooli ning täiustas seejärel kontseptsioonitõestust korduvalt, kuni see taasesitas kirjeldatud käitumise või kõik võimalikud vallandamisviisid olid ammendatud.

Meie süsteem taasesitas 30 tunniga 1724 turvanõrkust ehk ligikaudu 74,7% 2308 võimalikust leiust. Ainult staatiline koodiülevaatus võib anda valepositiivseid tulemusi, mistõttu avaldasid meile muljet analüüsiagentide täpsus ja triaažiagentide tõhusus: nad lõid autonoomselt toimivad kontseptsioonitõestused peaaegu kolmele neljandikule võimalikest leidudest.

Enamik ülejäänud leide nõudis kas kõrgemaid õigusi või ei õnnestunud neid etteantud ajaga taasesitada keeruliste võidujooksuolukordade, eritingimuste (nt mälueralduse nurjumine kindlal real) või aeganõudva valideerimise (nt viidaloenduri ületäitumine) tõttu. Vaid 3,1% juhtudest oli tegu mudeli vale analüüsiga, kus kirjeldatud turvanõrkus eeldas võimatut tingimust.

Valideerimisetapp maksis API krediitides kokku 73 330 dollarit. Täheldasime, et meie valideerimisahelas, kus tuli võimaliku leiu tegelikuks turvanõrkuseks kinnitamiseks genereerida kontseptsioonitõestus, oli see protsess kallim kui üksnes staatilisel analüüsil põhineva soovituse andmine. Tõelise positiivse ja valepositiivse leiu valideerimise katsete kulud olid sarnased. Seega muudab valepositiivsete leidude varasem eemaldamine töötlusahelast protsessi märgatavalt kulutõhusamaks.

Valideerimine kinnitab turvanõrkuse olemasolu, kuid mitte seda, kui kiiresti tuleks sellega tegeleda. Näiteks turvanõrkus, mis võib võimaldada õiguste lokaalset laiendamist, väärib suuremat prioriteeti kui nõrkus, mis võib põhjustada vaid kohaliku teenusetõkestuse. Pärast 1724 turvanõrkuse kinnitamist oli järgmine ülesanne tuvastada suurima võimaliku turbemõjuga leiud.

Esmasõelumise agent vaatas staatiliselt üle iga aruande, krahhilogi ja asjakohase lähtekoodi. Selle valikukriteeriumid olid teadlikult leebed, et mitte kõrvale jätta potentsiaalselt tõsiseid leide, kuid filtreerida välja juhud, millel puudus usutav ärakasutusviis. See kitsendas tulemused 313 võimalikule teabelekkele ja 1238 võimalikule õiguste lokaalse laiendamise juhule.

Seejärel katsetasid ründekoodi arendavad agendid (ExploitDev) neid leide isoleeritud virtuaalmasinates, kus olid sisse lülitatud Linuxi tavadistributsiooni kaitsemeetmed, sealhulgas Supervisor Mode Execution Prevention (SMEP), Supervisor Mode Access Prevention (SMAP), Kernel Address Space Layout Randomization (KASLR) ja HARDENED_USERCOPY. See aitas vältida ebarealistlikke hinnanguid, mis eeldasid kaitsemeetmete väljalülitamist.

Agendid lõid 291 teabelekke kontseptsioonitõestust ja 1169 toimivat õiguste lokaalse laiendamise ründekoodi, mis võisid anda eriõigusteta kohalikele kasutajatele juurkasutaja ligipääsu.

Tegime variantide analüüsi ja töötasime välja 948 eri paika nende ründekoodide aluseks olevatele turvanõrkustele. Selle arvu alusel määrame ainulaadsete LPE-turvanõrkuste koguarvu. Eduka ründekoodi arendamine maksis krediitides keskmiselt 359 dollarit. Seega on kaitsjatel suhteliselt odav katsetada leitud turvanõrkuste ärakasutatavust.

Turvanõrkuste esmasõelumise agent maksis API krediitides 44 194 dollarit. Ärakasutamisetapp maksis API krediitides kokku 775 929 dollarit: 84 929 dollarit võimalike teabelekete töötlemiseks ja 691 000 dollarit võimalike õiguste lokaalse laiendamise juhtude töötlemiseks.

Võimaliku õiguste lokaalse laiendamise juhu töötlemine (558 dollarit) oli keskmiselt ligikaudu kaks korda kallim kui võimaliku teabelekke töötlemine (271 dollarit). Põhjus on selles, et teabelekete kontseptsioonitõestused võeti üle valideerimisetapist ning nende ründekoodis kasutamiseks tuli neid vähem muuta. Võimaliku LPE-leiu põhjal ründekoodi arendamine nõudis seevastu palju lisasamme, näiteks ärakasutusstrateegia kavandamist, kasutatavate haavatavate objektide leidmist ja kaitsemeetmetest möödumist. Märkasime ka, et ebaõnnestunud ärakasutuskatsed (3922 dollarit 69 juhu puhul) maksid palju rohkem kui edukad (360 dollarit 1169 juhu puhul). Seda põhjustasid mõned raskesti ärakasutatavad turvanõrkused, näiteks võidujooksuolukorrad. Mõistliku loobumistingimuse määratlemine, näiteks katse peatamine pärast tundi ilma edusammudeta, oleks ExploitDevi kulu märkimisväärselt vähendanud.

Süsteem genereerib igale kinnitatud turvanõrkusele ka paiga. Anname mudelile asjakohase lähtekoodi ja juhendame seda järgima paikade kirjutamise häid tavasid: tegema paigale staatilisi kontrolle, järgima ümbritsevas koodis kasutatud arendusvõtteid ning analüüsima variante, et tagada paiga täielikkus.

Linuxi tuuma kogukonna soovitusel oleme juba saatnud sadu aruandeid ja paiku kriitiliste turvanõrkuste kohta ning töötame koos Patch the Planeti partneritega, et saata järk-järgult välja ka ülejäänud paigad. See töö on osa meie laiemast Daybreaki raames võetud kohustusest toetada avatud lähtekoodiga projekte.

Selles jaotises jagame uuringust saadud õppetunde, järeldusi ja lisaanalüüsi.

Uuringu käigus täheldasime, et Linuxi haldajad tegutsevad kiiresti, et parandada turvanõrkusi ja kaitsta kasutajaid. Skannimine tehti 2026. aasta oktoobri keskel Linuxi tuuma uusimal versioonil. Kui autonoomne skannimine ja käsitsi analüüs kümne päeva pärast lõppesid, oli põhiprojektis juba paigatud 61 LPE-turvanõrkust, 43 jaoks olid paigad kaasamist ootamas ning 299 kohta esitati avalikke teateid ja peeti arutelusid.

Oleme väga tänulikud Linuxi haldajatele, kes on teinud kiiret tööd tuvastatud probleemide paikamiseks, ning laiemale turbekogukonnale, kes samuti oma leidudega panustab. Just sellist ühist tegutsemist on vaja maailma tarkvara turvalisuse tagamiseks. Turvanõrkuste avalikustamise ja paikamise kiire tempo rõhutab ka seda, kui oluline on kasutajatel ja ettevõtetel tarkvara ajakohasena hoida.

Õppetund: automaatne triaaž peaks arvestama kiire paikamistsükliga. Leidude uuesti valideerimine uusima koodi suhtes, sealhulgas pärast esialgset skannimist lisatud koodiga, aitab vältida dubleerivaid või aegunud aruandeid. See suunab tähelepanu lahendamata turvanõrkustele ja annab haldajatele tegutsemiseks vajalikud tõendid, lisamata tarbetut ülevaatuskoormust.

Töötlusahela arendamise ajal, 2026. aasta juuli lõpus, leidis GPT‑5.6 Sol 166 ainulaadset LPE-turvanõrkust ja kasutas neid ära. Kogukulu oli API krediitides 513 690 dollarit.

Teisel skannimisel, 2026. aasta oktoobri keskel, leidis uuem küberturbemudel 948 ainulaadset LPE-turvanõrkust ja kasutas neid ära. Kogukulu oli API krediitides 1 213 430 dollarit. Mõlemal korral skannisime Linuxi tuuma tolle hetke uusimat master-haru.

Õppetund: mudelite võimekuse kasvades skannige varem auditeeritud koodi uuesti. Võimekam mudel võib avastada turvanõrkusi, mida varasemad mudelid ei märganud, isegi sama uurimistöö täitmiskeskkonna kasutamisel.

Võtsime agentide loodud ründekoodidest 166 näite suuruse valimi ja analüüsisime neis kasutatud ärakasutamistehnikaid. Meile teadaolevalt kasutasid agendid valimisse kuulunud ründekoodides kümmet uut ärakasutamistehnikat. Jagasime neid tehnikaid sõltumatute tuumarünnete ekspertidega ning need olid ka neile uued.

Kümnest tehnikast kaks kasutavad uusi püsivaid elastseid objekte, millega mudel täitis sihtmärgiks oleva tuuma vahemälu; kaks on uued mälulehekülgede paigutuse kujundamise tehnikad ründekoodi töökindluse parandamiseks; viis on uued üksnes andmetele tuginevad tehnikad õiguste laiendamiseks otse või suvalise kirjutuse kaudu; viimane tehnika hõlmab suvalist tüübisegadust. Turvakaalutlustel ei avalda me selles postituses nende uute ärakasutamistehnikate kõiki tehnilisi üksikasju.

Õppetund: tipptasemel mudelid ei piirdu teadaolevate turvanõrkusega koodimustrite tuvastamise ega üksnes tuntud ärakasutamistehnikatega; nad ilmutavad loovust ja kasutavad uudseid lähenemisviise.

Meie meeskonna missiooni oluline osa on mõõta turvanõrkuste leidmise ja ärakasutamise kulu ning kasutada saadud tõendeid kaitseinvesteeringute suunamiseks. Meie eesmärk on aidata kaitsjatel parandada turvanõrkusi enne, kui ründajad saavad neid kasutada, ning muuta tarkvara turvanõrkuste ärakasutamine ründajate jaoks liiga kulukaks. Ärakasutamise kulude mõõtmine aitab meil hinnata, kuidas see ülesanne mudelite võimekuse kasvades muutub. Selles jaotises võrdleme meie töötlusahela käituskulu tuvastatud turvanõrkuste eest vealeiuprogrammides pakutavate tasudega.

Meie katses töötas sihtmärgiks olnud virtuaalmasinates tavaline töölauaoperatsioonisüsteem, mitte nõrgestatud sihtsüsteem, ning kasutati sama ohumudelit nagu küberturbevõistlustel (nt Pwn2Own⁠(avaneb uues aknas), TyphoonPWN⁠(avaneb uues aknas)). Varem on Pwn2Own ja TyphoonPWN pakkunud Linuxi tuuma õiguste lokaalse laiendamise ründekoodi eest vastavalt 20 000 ja 70 000 dollari suurust vealeiutasu. Kui rakendada neid varasemaid tasumäärasid 948 ründekoodile, oleks hüpoteetiline väärtus 18,9–66,3 miljonit dollarit ehk ligikaudu 16–55 korda meie töötlusahela kulu.

Katsetasime oma töötlusahelat ka Google’i kernelCTF-i⁠(avaneb uues aknas) vealeiuprogrammis, mille sihtmärgiks on tugevdatud turbega ja vähendatud ründepinnaga Linuxi tuum. Käitasime töötlusahelat kernelCTF-i keskkonnas Linuxi tuuma uusimal versioonil ning saime 25 teabelekke kontseptsioonitõestust ja 21 õiguste lokaalse laiendamise ründekoodi. See tuumaversioon ei ühildunud kernelCTF-i kaitsemeetmega SLAB_VIRTUAL, mistõttu eemaldasime selle konfiguratsioonist. Võrdluseks: kirjutamise ajaks oli kernelCTF 2026. aastal vastu võtnud 26 kinnitatud nullpäeva LPE-ründekoodi. Kogu uuringuetapp kestis 112 tundi ja maksis API krediitides ligikaudu 32 936 dollarit, millest turvanõrkuste avastamine moodustas 83,7%. Kui programm võtaks need 21 turvanõrkust vastu, oleks vealeiutasu ligikaudu 1,5 miljonit dollarit ehk umbes 45 korda kulu.

Õppetund: avalike väljamaksesummade põhjal oli meie turvanõrkuste uurimisahel uuringu tegemise ajal praeguste küberturbevõimekusega mudelitega puhaskasumis. Kaitsjad peaksid oma tarkvara ennetavalt analüüsima, et selle turvanõrkuste ärakasutamine muutuks ründajatele liiga kulukaks.

Ärakasutatavuse hindamisel anti ExploitDevi agentidele turvanõrkuse aruanne ja ülesanne luua täielikult toimiv ründekood. Meie töötlusahel märkis turvanõrkuse ärakasutatuks, kui õnnestus saada juurkasutaja käsukest. Ühel varajasel käitusel teatas ärakasutamisetapp 200 edukast õiguste lokaalse laiendamise ründekoodist. Pärast inimeste tehtud ülevaatust leidsime aga, et neist 20 olid saanud juurkasutaja õigused teise nullpäeva turvanõrkuse kaudu, mitte neile määratud nõrkust kasutades. See viitab, et ka agentide edukas ärakasutamine vajab korralikku valideerimist.

Seejärel täpsustasime ülesande piiranguid ja lisasime sõltumatu kontrolli, et kinnitada iga lõpliku ründekoodi puhul just sellele määratud turvanõrkuse kasutamine.

Õppetund: autonoomsetes turbeuuringutes kontrollige lisaks tulemusele ka selleni jõudmise viisi; isoleerimine, seire ja sõltumatud kontrollid on vajalikud kaitsemeetmed.

Uuringu alguses kaalusime, kas ehitada agendi ümber mahukas orkestreerimissüsteem, et parandada selle küberturbevõimekust. Meie tulemus viitas, et võimekamad mudelid vajavad lihtsamat orkestreerimist ja vähem juhendamist. Väike lisakasu ei õigusta aga hoolduskulu. Seetõttu otsustasime mahuka orkestreerimissüsteemi eemaldada.

Katses võrreldi mudeleid GPT‑5.5 Cyber ja GPT‑5.6 Cyber. Täheldasime, et GPT‑5.5 Cyber ei suutnud järjekindlalt tuvastada, millal ja kuidas rakendada olemasolevaid Linuxi tuuma turvanõrkuste ärakasutamise tehnikaid. Seejärel koondasime 103 tehnikat mudelile sobivasse vormingusse, tegime need agendi keskkonnas kättesaadavaks ja juhendasime agenti neid kasutama. 63 võimaliku ärakasutusjuhu puhul tõstis see edukuse 76,2%-lt 88,9%-le.

Kui kordasime katset mudeliga GPT‑5.6 Cyber, suutis see asjakohaseid tehnikaid paremini iseseisvalt leida, valida ja rakendada. Eemaldasime tehnikate ja oskuste orkestreerimise ning see lihtsamalt orkestreeritud GPT‑5.6 Cyberi töövoog ületas tulemustelt põhjalikuma tugisüsteemiga GPT‑5.5 Cyberi töövoogu. Täiendava tehnikakihi tagasilisamine mudelile GPT‑5.6 Cyber parandas tulemust vaid 1,5 protsendipunkti võrra.

Õppetund: hinnake orkestreerimine ja täitmiskeskkond ümber, kui baasmudeli võimekus muutub. Tugisüsteem, mis ühe mudelipõlvkonna tulemusi märgatavalt parandab, võib võimekamale mudelile vähe lisaväärtust anda. Selle kasu tuleb kaaluda hoolduskulu suhtes.

Alguses, kui mudelil paluti otse paigakavandeid genereerida, lõi see funktsionaalselt õiged paigad, mis tõkestasid kontseptsioonitõestuse, kuid tekitasid vahel muid probleeme. Paigad sisaldasid vajalikust rohkem koodi, võisid halvendada jõudlust või kaldusid kõrvale kodeerimistavadest. Mõnikord ei kontrollinud mudel seotud koodi sama turvanõrkuse variantide suhtes, mistõttu jäid paigad puudulikuks.

Lisajuhised ja paikade genereerimise protsessi korduv täiustamine parandasid paikade kvaliteeti. See viitab, et õige lähenemise korral võivad AI genereeritud turvapaigad olla õiged, minimaalsed ja kooskõlas olemasolevate kodeerimistavadega. See on aktiivne uurimisvaldkond ning usume, et tulevaste mudelitega muutub see lihtsamaks ja tõhusamaks. Mõnel juhul suutis meie uurimisprototüüp tuvastada probleeme ka inimekspertide kirjutatud paikades. Need parandati enne paikade koodi kaasamist.

Õppetund: mudelid võivad paikamist kiirendada, kuid paikamisoskused ja täitmiskeskkonnad võivad vajada korduvat täiustamist, et paigad täidaksid usaldusväärselt nii funktsionaalseid kui ka mittefunktsionaalseid nõudeid. Lisaks soovitame kasutada mudeleid inimeste ja AI loodud paikade ülevaatamiseks ründaja vaatenurgast. Nii saab tuvastada näiteks paigast möödumise võimalusi, tähelepanuta jäänud ründeteid ja variante ning muid probleeme.

Meie kernelCTF-i käitusel leidis uurimisprototüüp lisaks 21 Linuxi tuuma nullpäeva ründekoodile ka QEMU TCG turvanõrkuse ja kasutas seda ära. Analüüsiagendile oli määratud süsteemikutsete sisenemiskoodi analüüs. Kui agent kirjutas programme õigustasemete üleminekute katsetamiseks, tekkis ootamatu tuumakrahh. Agent analüüsis krahhi, tuvastas probleemi allikana QEMU TCG, omamata ligipääsu QEMU lähtekoodile, ning lisas turvanõrkuse aruandesse. Seejärel arendas ExploitDevi agent selle turvanõrkuse jaoks edukalt õiguste lokaalse laiendamise ründekoodi. Avastasime selle QEMU turvanõrkuse ründekoode käsitsi analüüsides ning kinnitasime, et nõrkus oli QEMU põhiprojektis parandatud, kuid katses kasutatud väljalaskejärgus veel mitte.

Õppetund: tipptasemel küberturbevõimekusega mudelid võivad leida turvanõrkusi testimistaristust. Soovitame enne ründepõhiseid turvanõrkuste uuringuid testida taristu iga osa. Oleme oma taristut ennetavalt testinud, avalikustades ja paigates palju turvanõrkusi Katas, Moby/Dockeris, gVisoris ja teistes projektides.

Meie eesmärk on muuta mudelite kasvav võimekus püsivaks eeliseks inimestele, kes tagavad interneti turvalisust. See uuring näitab, et tipptasemel mudelite kasvavat küberturbevõimekust saab kasutada turvanõrkuste tõhusaks otsimiseks keerukast tarkvarast, näiteks Linuxi tuumast. Kriitiliste tarkvaraprojektide, nagu Linuxi ja teiste avatud lähtekoodiga projektide turvalisuse tugevdamine võib kaitsta paljusid neist sõltuvaid süsteeme ja kasutajaid.

Daybreaki algatuse Patch the Planet kaudu soovime laiendada seda uurimistööd rohkematele kriitilistele tarkvaraprojektidele ning arendada koos haldajate ja turbepartneritega usaldusväärset automaatset paikamist. Soovime järjepidevalt vähendada ründajate võimalusi ning tõsta turvanõrkuste leidmise ja ärakasutamise kulu, kuni oodatav kasu ei õigusta enam rünnet.

Iga mudelipõlvkond peaks aitama meil luua tarkvara, mida järgmisel põlvkonnal on raskem murda. Jätkame tööd turvalise interneti nimel, kus igaüks saaks rõõmuga midagi luua.