Ezerrel kevesebb út a root hozzáféréshez

A biztonsági kutatás, amely korábban minden egyes találatnál külön, hosszas vizsgálatot igényelt, egyre inkább rendszerszintű folyamatként végezhető. Ez a dokumentum az ezen a területen végzett munkánk egyik példáját mutatja be.

A sérülékenységek felderítése egyre könnyebben skálázható, de a rangsorolás és a validálás továbbra is szűk keresztmetszetet jelent. Olyan prototípust építettünk, amely ellenőrzött kutatási környezetben keres biztonsági hibákat a Linux kernelben. Prototípusunk 2308 lehetséges sérülékenységet azonosított és elemzett a Linux kernelben, 1724 sérülékenységet dinamikusan reprodukált, és 948 helyi jogosultságkiterjesztési (LPE) exploitot készített, amelyekkel egy kiemelt jogosultság nélküli helyi felhasználó root hozzáférést szerezhet.

Ezekre a bizonyítékokra támaszkodva rangsoroltuk a jelentendő sérülékenységeket, és javítási javaslatokat készítettünk a karbantartók számára ellenőrzésre. A Linux kernel közösségének útmutatása alapján a kritikus sérülékenységekkel kezdtünk, és a Patch the Planet partnereivel együtt dolgozunk a további jelentéseken és javításokon.

Júniusban a Patch the Planet kezdeményezésünk keretében beszámoltunk arról, hogy a GPT‑5.5 Cyber sérülékenységeket azonosított a Linux kernelben, és 24 helyi jogosultságkiterjesztési exploitot fejlesztett a validálásukhoz és jelentésükhöz. Ezt a munkát egy hamarosan megjelenő kiberbiztonsági modellre épülő folyamattá bővítettük, amely a sérülékenységek felderítését, dinamikus validálását, kihasználhatóságuk értékelését és a javítások generálását is lefedi. A folyamat lezárultával kutatók ellenőrizték a kimeneteket, majd a javításokkal együtt jelentették a feltárt sérülékenységeket.

A Linux kernel adja az Android-eszközök, a felhő-infrastruktúra, a szuperszámítógépek és más, emberek milliárdjai által használt rendszerek alapját. Több mint 40 millió kódsorával a kernel széles támadási felületet kínál a rendszerhívásokon, a hálózatkezelésen, a fájlrendszereken és az eszközillesztőkön keresztül. Azért választottuk a Linuxot, hogy megvizsgáljuk, mennyire hatékonyan tudnak az élvonalbeli modellek sérülékenységeket találni és azok biztonsági hatását bizonyítani egy ilyen méretű és jelentőségű kódbázisban.

A sérülékenység-felderítés kezdeti szakasza több ezer lehetséges találatot eredményezett, túl sokat ahhoz, hogy a biztonsági kutatók kézzel ellenőrizzék és előértékeljék őket. Sérülékenység-felderítési folyamatunkban a gyakorlati kihívást nem maga a felderítés jelentette, hanem annak megállapítása, hogy mely találatok reprodukálhatók, milyen biztonsági határokat lépnek át, és melyek igénylik leghamarabb a karbantartók figyelmét.

Az OpenAI Cyber csapatának küldetése, hogy segítsen biztonságossá tenni azokat a szoftvereket, amelyekre a világ támaszkodik. Minden szakasznál közöljük az API-költségeket, hogy a kutatók felmérhessék a munka megismétléséhez és kiterjesztéséhez szükséges erőforrásokat. Ezek a költségek az értékelésben használt modellekre, célkonfigurációkra és munkafolyamatra vonatkoznak. Átfogóbb célunk, hogy segítsük a védelemért felelős szakembereket a sérülékenységek felderítésében és javításában, ezzel szűkítve a támadók lehetőségeit, és növelve számukra a szoftverek kihasználásának költségét.

Végül fontos megjegyezni, hogy ebben a kutatásban a módszertanra és a modellek képességeinek mérésére összpontosítottunk, nem a költségekre. Arra számítunk, hogy a végrehajtási környezet megfelelő fejlesztésével minden szakasz költsége érdemben csökkenthető; így az itt közölt költségek inkább felső korlátnak tekinthetők.

Sérülékenységkutatási prototípusunk ötszakaszos folyamat, amelynek középpontjában egy hamarosan megjelenő kiberbiztonsági modell áll:

• Sérülékenységek felderítése: Az ügynökök azonosítják a kódbázis biztonsági szempontból lényeges részeit, és lehetséges sérülékenységeket keresnek bennük.

• Dinamikus validálás: Az ügynökök izolált környezetben megpróbálnak minden lehetséges sérülékenységet reprodukálni, és megőrzik a futás közben keletkező bizonyítékokat. Ennek a lépésnek a kimenetét a reprodukált és igazolt sérülékenységek adják.

• A kihasználhatóság értékelése: Az ügynökök tesztelik, hogy az igazolt sérülékenységek lehetővé tesznek-e információszivárgást vagy helyi jogosultságkiterjesztést.

• Javítások generálása: Az ügynökök minden azonosított sérülékenységhez javítást generálnak.

• Emberi ellenőrzés: A biztonsági kutatók ellenőrzik az exploitot, a javítást és a javasolt súlyossági besorolást, mielőtt jelentik az esetet a karbantartóknak.

A folyamat végén a rendszer egy csomagba rendezi a kiváltó ok elemzését, az összeomlást előidéző minimális demonstrációs kódot, a javítási javaslatot és a teljes exploitot. Ezek segítik a kutatókat a sérülékenység súlyosságának megítélésében és a javítások fő fejlesztési ágba történő beküldésében.

A Linux kernel nem minden kódsora releváns biztonsági szempontból. Folyamatunk felderítő ügynökök csoportjával azonosította a kiemelten fontos vizsgálati célpontokat, majd átadta őket az elemző ügynököknek sérülékenységvizsgálatra.

A felderítő ügynökök átnéznek minden mappát és fájlt, és az elérhetőségük – vagyis az alacsony jogosultságú felhasználók általi hozzáférhetőségük – és biztonsági jelentőségük alapján meghatározzák a vizsgálandó kódrészeket.

Ez a szakasz 5034 vizsgálati célpontot azonosított, mintegy 2,8 millió kódsort, ami a Linux kernel teljes kódbázisának nagyjából 7%-a. Ez a teljes kódbázis elemzéséhez képest jelentősen csökkentette a biztonsági audit költségét. Ez a lépés 3426 dollárnyi API-kreditbe került.

Ezután az elemző ügynökök minden célpontot megvizsgáltak, és a Codex Security beépülő moduléhoz⁠(új ablakban nyílik meg) hasonló munkafolyamattal lehetséges sérülékenységeket tártak fel. Az elemző ügynökök alapvetően elolvassák a rájuk bízott célpont kódját, hogy megértsék a működését, meghatározzák a fenyegetési modelljét, és sérülékenységeket keressenek benne.

Az elemző ügynökök 12 óra alatt, a duplikációk kiszűrése után 2308 lehetséges sérülékenységet tártak fel. Ez a szakasz 316 549 dollárnyi API-kreditbe került.

Egy lehetséges sérülékenység még nem azonos egy igazolt sérülékenységgel. Ilyen mennyiség mellett kutatócsoportunk számára nem járható út minden jelentés kézi kivizsgálása.

Ezért azoknak a találatoknak a validálására összpontosítottunk, amelyek a) alacsony jogosultságú felhasználó számára is elérhetők voltak, b) nem igényeltek különleges jogosultságokat, és c) mérhető bizonyítékot szolgáltattak a memória sérülésére.

Egy előértékelő ügynök minden lehetséges sérülékenységhez demonstrációs kódot generált, majd egy izolált virtuális gépen futtatta azt, amelynek Linux kernele Kernel Address Sanitizert (KASAN) használt. Az ügynök a program kimenetét és a rendszerkonzolt is figyelte, majd iteratívan finomította a demonstrációs kódot, amíg az nem reprodukálta a jelentett viselkedést, vagy ki nem merültek az előidézésének lehetséges módjai.

Rendszerünk 30 óra alatt 1724 sérülékenységet reprodukált, a 2308 lehetséges sérülékenység mintegy 74,7%-át. A statikus kódellenőrzés önmagában hajlamos lehet téves pozitív találatokra, ezért figyelemre méltónak tartottuk az elemző ügynökök pontosságát és az előértékelő ügynökök hatékonyságát: a lehetséges sérülékenységek csaknem háromnegyedéhez önállóan készítettek működő demonstrációs kódot.

A fennmaradó találatok többsége vagy emelt jogosultságot igényelt, vagy nem sikerült reprodukálni az időkereten belül nehezen előidézhető versenyhelyzetek, sajátos kiváltási feltételek – például egy adott sornál szükséges memóriafoglalási hiba – vagy időigényes validálás, például a referenciaszámláló átfordulása miatt. Mindössze 3,1%-ban volt hibás a modell elemzése: ezekben az esetekben a jelentett sérülékenység egy lehetetlen feltételt feltételezett.

A validálási szakasz összesen 73 330 dollárnyi API-kreditbe került. Validálási folyamatunkban demonstrációs kódot kellett generálni annak igazolására, hogy egy találat valódi sérülékenység-e. Azt tapasztaltuk, hogy ez költségesebb volt a pusztán statikus elemzésen alapuló ajánlásnál, és a valódi, illetve téves pozitív találatok validálási kísérlete hasonló költséggel járt. A téves pozitív találatok korábbi kiszűrése tehát érdemben javítja a folyamat költséghatékonyságát.

A validálás azt igazolja, hogy egy sérülékenység valóban létezik, azt azonban nem, hogy milyen sürgősen kell javítani. Például egy helyi jogosultságkiterjesztést lehetővé tevő sérülékenység nagyobb prioritást érdemel, mint egy olyan, amely csak helyi szolgáltatásmegtagadást okozhat. Az 1724 igazolt sérülékenység birtokában a következő feladat a potenciálisan legnagyobb biztonsági hatású találatok azonosítása volt.

Egy előszűrő ügynök statikusan átvizsgált minden jelentést, összeomlási naplót és releváns forráskódot. Szándékosan megengedő szűrést alkalmazott, hogy ne vessen el potenciálisan súlyos találatokat, ugyanakkor kiszűrje azokat az eseteket, amelyeknél nem látszott reális kihasználási út. Ez 313 lehetséges információszivárgásra és 1238 lehetséges helyi jogosultságkiterjesztésre szűkítette az eredményeket.

Az exploitfejlesztő (ExploitDev) ügynökök ezután izolált virtuális gépeken tesztelték ezeket az eseteket. A gépeken egy szokványos Linux-disztribúció védelmi funkciói voltak bekapcsolva, köztük a Supervisor Mode Execution Prevention (SMEP), a Supervisor Mode Access Prevention (SMAP), a Kernel Address Space Layout Randomization (KASLR) és a HARDENED_USERCOPY. Ez segített elkerülni az olyan irreális értékeléseket, amelyek a védelmi funkciók kikapcsolásától függtek volna.

Az ügynökök 291 információszivárgást igazoló demonstrációs kódot és 1169 működő helyi jogosultságkiterjesztési exploitot készítettek, amelyek root hozzáférést adhatnak kiemelt jogosultság nélküli helyi felhasználóknak.

Változatelemzést végeztünk, és 948 különálló javítást fejlesztettünk az exploitok mögött álló sérülékenységekhez. Ezt a számot tekintjük a különböző LPE-k összesített számának. A sikeres exploitok fejlesztése átlagosan 359 dollárnyi kreditbe került. Így a védelemért felelős szakemberek viszonylag olcsón tesztelhetik a feltárt sérülékenységek kihasználhatóságát.

A sérülékenységeket előszűrő ügynök 44 194 dollárnyi API-kreditet használt fel. A kihasználási szakasz összesen 775 929 dollárnyi API-kreditbe került: 84 929 dollár jutott a lehetséges információszivárgások, 691 000 dollár pedig a lehetséges helyi jogosultságkiterjesztések feldolgozására.

Egy lehetséges helyi jogosultságkiterjesztés feldolgozása átlagosan nagyjából kétszer annyiba került (558 dollár), mint egy lehetséges információszivárgásé (271 dollár). Ennek oka, hogy az információszivárgást igazoló PoC-kódokat a validálási szakaszból vittük tovább, és kevesebb módosítást igényeltek ahhoz, hogy egy exploitban is használhatók legyenek. Ezzel szemben egy lehetséges LPE-ből exploitot fejleszteni számos további lépést igényelt: például a kihasználási stratégia megtervezését, a felhasználható sérülékeny objektumok azonosítását és a védelmi megoldások megkerülését. Azt is észrevettük, hogy a sikertelen kihasználási kísérletek jóval többe kerültek (69 esetben 3922 dollár), mint a sikeresek (1169 esetben 360 dollár). Ezt néhány nehezen kihasználható sérülékenység, például versenyhelyzet okozta. Egy észszerű leállási feltétel meghatározása – például a kísérlet megszakítása, ha egy órán át nincs előrelépés – jelentősen csökkentette volna az ExploitDev költségét.

A rendszer minden igazolt sérülékenységhez javítást is generál. A modellnek átadjuk a releváns forráskódot, és utasítjuk a javításkészítés bevált gyakorlatainak követésére. Ilyen a javítás statikus ellenőrzése, a környező kódban alkalmazott szoftverfejlesztési gyakorlatok követése, valamint a javítás teljességét biztosító változatelemzés.

A Linux kernel közösségének javaslatát követve már több száz jelentést és javítást küldtünk be kritikus sérülékenységekhez, és a Patch the Planet partnereivel együtt dolgozunk a többi javítás fokozatos beküldésén. Ez a munka a Daybreak keretében tett, a nyílt forráskódú projektek támogatását célzó átfogóbb vállalásunk része.

Ebben a szakaszban a kutatás tanulságait, az azokból levont következtetéseket és további elemzéseinket mutatjuk be.

A kutatás során azt tapasztaltuk, hogy a Linux karbantartói gyorsan dolgoznak a sérülékenységek javításán és a felhasználók védelmén. A vizsgálatot 2026. október közepén végeztük a Linux kernel legújabb változatán. Mire az autonóm vizsgálat és a kézi elemzés 10 nap után lezárult, 61 LPE javítása már bekerült a fő fejlesztési ágba, 43-hoz előkészítették a javítást, 299-ről pedig nyilvános bejelentések és egyeztetések zajlottak.

Nagyra értékeljük a Linux karbantartóinak sürgős munkáját a feltárt hibák javításán, valamint a tágabb biztonsági közösség hozzájárulását saját eredményeik megosztásával. Erre az összefogásra van szükség a világ szoftvereinek biztonságossá tételéhez. A sérülékenységek közzétételének és javításának gyors üteme azt is kiemeli, mennyire fontos, hogy a felhasználók és a vállalatok naprakészen tartsák szoftvereiket.

Tanulság: Az automatizált előértékelésnek figyelembe kell vennie a gyors javítási ciklust. A találatok újbóli validálása a legfrissebb kódon – beleértve az eredeti vizsgálat után beolvasztott új kódot is – segít elkerülni a duplikált vagy elavult jelentéseket. Ez a még megoldatlan sérülékenységekre irányítja a figyelmet, és olyan bizonyítékokat ad a karbantartóknak, amelyek alapján intézkedhetnek, felesleges ellenőrzési teher nélkül.

A folyamat fejlesztése során, 2026. július végén a GPT‑5.6 Sol 166 különböző LPE-sérülékenységet talált és használt ki, összesen 513 690 dollárnyi API-kredit felhasználásával.

A második vizsgálatban, 2026. október közepén az újabb kiberbiztonsági modell 948 különböző LPE-sérülékenységet talált és használt ki, összesen 1 213 430 dollárnyi API-kredit felhasználásával. Mindkét vizsgálatban a Linux kernel master ágának akkori legfrissebb állapotát elemeztük.

Tanulság: A modellek képességeinek fejlődésével érdemes újravizsgálni a korábban auditált kódot. Egy fejlettebb modell olyan sérülékenységeket is feltárhat, amelyeket a korábbi modellek nem vettek észre, még ugyanabban a kutatási végrehajtási környezetben is.

Az ügynökök által fejlesztett exploitokból 166-ot választottunk ki mintaként, és elemeztük a bennük alkalmazott kihasználási technikákat. Legjobb tudomásunk szerint az ügynökök 10 új kihasználási technikát alkalmaztak a mintában szereplő exploitokban. A kihasználási technikákat megosztottuk a kernel kihasználásával foglalkozó külső szakértőkkel, akik számára szintén újak voltak.

A 10 technika közül kettő új, tartósan fennmaradó, rugalmas méretű objektumokat használ, amelyekkel a modell objektumokat helyezett el tömegesen a célzott kernel-gyorsítótárban. Kettő új memórialap-elrendezési technika az exploitok megbízhatóságát javítja; öt új, kizárólag adatmódosításon alapuló technika közvetlenül vagy tetszőleges írás révén ér el jogosultságkiterjesztést; a fennmaradó technika pedig tetszőleges típus-összetévesztésre épül. Biztonsági okokból ebben a bejegyzésben nem közöljük ezen új kihasználási technikák teljes technikai részleteit.

Tanulság: Az élvonalbeli modellek nem csupán ismert sérülékeny kódmintákat ismernek fel, és nem kizárólag ismert kihasználási technikákat alkalmaznak: kreativitást és új megközelítéseket is mutatnak.

Csapatunk küldetésének fontos része a sérülékenységek felderítési és kihasználási költségének mérése, és az így szerzett adatok felhasználása a védelmi beruházások irányának meghatározásához. Célunk, hogy segítsük a védelemért felelős szakembereket a sérülékenységek kijavításában, mielőtt a támadók kihasználhatnák őket, és hogy a szoftverek kihasználását gazdaságtalanná tegyük a támadók számára. A kihasználás költségeinek mérése segít felmérni, hogyan változik ez a kihívás a modellek képességeinek fejlődésével. Ebben a szakaszban folyamatunk futtatási költségét vetjük össze az azonosított sérülékenységekért a hibavadászprogramokban elérhető jutalmakkal.

Kísérletünk célként szolgáló virtuális gépein szokványos asztali operációs rendszer futott, nem szándékosan gyengített célpontként, a kiberbiztonsági versenyeken (például a Pwn2Own⁠(új ablakban nyílik meg) és a TyphoonPWN⁠(új ablakban nyílik meg) versenyeken) alkalmazott fenyegetési modell mellett. Korábban a Pwn2Own 20 000, a TyphoonPWN pedig 70 000 dolláros hibavadász-jutalmat kínált a Linux kernel helyi jogosultságkiterjesztési exploitjaiért. Ezeket a korábbi jutalomösszegeket a 948 exploitra vetítve 18,9–66,3 millió dolláros elméleti értéket kapunk, ami folyamatunk költségének körülbelül 16–55-szöröse.

Folyamatunkat a Google kernelCTF⁠(új ablakban nyílik meg) hibavadászprogramjában is teszteltük, amelynek célpontja egy megerősített biztonságú, csökkentett támadási felületű Linux kernel. A folyamatot a Linux kernel legújabb verzióján futtattuk a kernelCTF környezetében. Ez a verzió nem volt kompatibilis a kernelCTF SLAB_VIRTUAL védelmi megoldásával, ezért azt eltávolítottuk a konfigurációból. A futtatás 25 információszivárgást igazoló demonstrációs kódot és 21 helyi jogosultságkiterjesztési exploitot eredményezett. Összehasonlításképpen: a kernelCTF e sorok írásáig 26 igazolt, nulladik napi LPE-exploitot fogadott el 2026-ban. A teljes vizsgálat 112 órát vett igénybe, és nagyjából 32 936 dollárnyi API-kreditbe került; az API-költség 83,7%-át a sérülékenységek felderítése tette ki. Ha a program mind a 21 sérülékenységet elfogadná, az körülbelül 1,5 millió dollár jutalmat jelentene, a költség mintegy 45-szörösét.

Tanulság: A nyilvános jutalomösszegek alapján sérülékenységkutatási folyamatunk a kutatás idején elérhető, kiberbiztonsági képességekkel rendelkező modellekkel nettó nyereséget hozott volna. A védelemért felelős szakembereknek proaktívan kell elemezniük szoftvereiket, hogy kihasználásuk gazdaságtalanná váljon a támadók számára.

A kihasználhatóság értékelése során az ExploitDev ügynökök egy sérülékenységi jelentést kaptak, azzal a feladattal, hogy készítsenek hozzá egy teljesen működőképes exploitot. Folyamatunk akkor jelölt egy sérülékenységet sikeresen kihasználtnak, ha sikerült root jogosultságú parancsértelmezőt szerezni. Egy korai futtatás során a kihasználási szakasz 200 sikeres helyi jogosultságkiterjesztési exploitot jelentett. Az emberi ellenőrzés után azonban kiderült, hogy ezek közül 20 a kijelölt helyett egy másik nulladik napi sérülékenység révén jutott root jogosultsághoz. Ez arra utal, hogy még az ügynökök sikeres kihasználási kísérleteit is megfelelően validálni kell.

Ezt követően szigorítottuk a feladat korlátait, és beiktattunk egy független ellenőrzést annak megerősítésére, hogy minden végleges exploit a hozzá kijelölt sérülékenységet használja.

Tanulság: Az autonóm biztonsági kutatásban az eredmény mellett az oda vezető utat is ellenőrizni kell; az izoláció, a megfigyelés és a független ellenőrzés nélkülözhetetlen kontrollok.

A kutatás elején megvizsgáltuk, érdemes-e összetett vezérlési rendszert építeni az ügynök köré a kiberbiztonsági képességeinek javításához. Eredményünk arra utalt, hogy a fejlettebb modellek kevesebb külső vezérlést és útmutatást igényelnek. A csekély javulás pedig nem indokolja a karbantartási költséget. Ezért úgy döntöttünk, hogy eltávolítjuk az összetett vezérlési rendszert.

A kísérletben a GPT‑5.5 Cyber és a GPT‑5.6 Cyber modelleket hasonlítottuk össze. Megfigyeléseink szerint a GPT‑5.5 Cyber nem mindig ismerte fel, mikor és hogyan kell alkalmazni a Linux kernel ismert kihasználási technikáit. Ezután 103 technikát gyűjtöttünk össze a modell számára könnyen feldolgozható formában, elérhetővé tettük őket az ügynök környezetében, és utasítottuk az ügynököt a használatukra. A 63 lehetséges kihasználási esetnél ez 76,2%-ról 88,9%-ra növelte a sikerességi arányt.

Amikor ezt megismételtük a GPT‑5.6 Cyber modellel, az önállóan is jobban meg tudta találni, ki tudta választani és alkalmazni tudta a megfelelő technikákat. Eltávolítottuk a technikák és készségek használatát vezérlő réteget, és ez a minimálisan vezérelt GPT‑5.6 Cyber-munkafolyamat felülmúlta az erősebb külső támogatással működő GPT‑5.5 Cyber-munkafolyamatot. A technikákat biztosító kiegészítő réteg visszaállítása a GPT‑5.6 Cyber esetében mindössze 1,5 százalékpontos javulást hozott.

Tanulság: Az alapmodell képességeinek változásával újra kell értékelni a vezérlést és a végrehajtási környezetet. Az a támogató keretrendszer, amely az egyik modellgenerációnál jelentős javulást hoz, egy fejlettebb modellnél már kevés értéket adhat; ezt a karbantartási ráfordítással együtt kell mérlegelni.

Kezdetben, amikor közvetlenül javítási javaslatok generálására utasítottuk a modellt, funkcionálisan helyes javításokat készített, amelyek kivédték a demonstrációs kódot, de időnként más problémákat okoztak. A szükségesnél több kódot tartalmaztak, lehetséges teljesítményromlással jártak, eltértek a kódolási konvencióktól, vagy hiányosak maradtak, mert a modell nem vizsgálta meg a kapcsolódó kódban ugyanazon sérülékenység változatait.

További utasításokkal és a javításgenerálási folyamat iteratív finomításával javult a javítások minősége. Ez arra utal, hogy megfelelő megközelítéssel az MI által generált biztonsági javítások helyesek lehetnek, a szükséges minimumra szorítkozhatnak, és követhetik a meglévő kódolási konvenciókat. Ez aktív kutatási terület, és úgy véljük, a jövőbeli modellekkel mindez egyszerűbbé és hatékonyabbá válik. Néhány esetben kutatási prototípusunk emberi szakértők által írt javításokban is képes volt hibákat azonosítani, amelyeket még a beolvasztás előtt kijavítottak.

Tanulság: A modellek felgyorsíthatják a javítási folyamatot, de a javítási készségek és végrehajtási környezetek iteratív finomítására lehet szükség ahhoz, hogy a javítások megbízhatóan teljesítsék a funkcionális és nem funkcionális követelményeket is. Emellett javasoljuk a modellek használatát az emberi és MI által készített javítások támadói szemléletű ellenőrzésére. Ez feltárhatja például, ha egy javítás megkerülhető, vagy nem fedi le a többi támadási útvonalat vagy változatot.

A kernelCTF-futtatás során kutatási prototípusunk a Linux kernel 21 nulladik napi exploitja mellett a QEMU TCG egy sérülékenységét is megtalálta és kihasználta. Az elemző ügynök a rendszerhívások belépési kódjának elemzését kapta feladatul, és miközben a jogosultsági szintek közötti átmenetek vizsgálatához írt programokat, váratlan kernelösszeomlásba ütközött. Kivizsgálta az összeomlást, a QEMU forráskódjához való hozzáférés nélkül visszavezette a hibát a QEMU TCG-re, és felvette a sérülékenységet a jelentésbe. Az ExploitDev ügynök ezt követően sikeresen fejlesztett egy helyi jogosultságkiterjesztési exploitot ehhez a sérülékenységhez. Ezt a QEMU-sérülékenységet az exploitok kézi elemzése során fedeztük fel, és megerősítettük, hogy a QEMU fő fejlesztési ágában már javították, a kísérletben használt kiadott verzióban viszont még nem.

Tanulság: Az élvonalbeli, kiberbiztonsági képességekkel rendelkező modellek a tesztelési infrastruktúrában is találhatnak sérülékenységeket. Javasoljuk az infrastruktúra minden részének tesztelését a támadói szemléletű sérülékenységkutatás megkezdése előtt. Proaktívan teszteltük infrastruktúránkat, és számos sérülékenységet jelentettünk be és javítottunk a Kata, a Moby/Docker, a gVisor és más projektekben.

Célunk, hogy a modellek fejlődő képességei tartós előnyt biztosítsanak az internet biztonságán dolgozóknak. Ez a kutatás megmutatja, hogy az élvonalbeli modellek fejlődő kiberbiztonsági képességeivel hatékonyan kereshetők sérülékenységek olyan összetett szoftverekben, mint a Linux kernel. A Linuxhoz hasonló kritikus szoftverprojektek és más nyílt forráskódú projektek biztonságának megerősítése számos rájuk épülő rendszert és azok felhasználóit védheti meg.

A Patch the Planet, a Daybreak egyik kezdeményezése révén ezt a kutatást további kritikus szoftverprojektekre kívánjuk kiterjeszteni, és a karbantartókkal, valamint biztonsági partnereinkkel közösen megbízható automatizált hibajavítást szeretnénk kifejleszteni. Folyamatosan szűkíteni szeretnénk a támadók lehetőségeit, és növelni a sérülékenységek felderítésének és kihasználásának költségét, amíg a várható haszon már nem teszi kifizetődővé a támadást.

Minden modellgenerációnak segítenie kell abban, hogy olyan szoftvereket építsünk, amelyeket a következő generáció már nehezebben tud feltörni. Továbbra is egy olyan biztonságos internet megteremtésén dolgozunk, amelyre bárki örömmel építhet.