ರೂಟ್ ಪ್ರವೇಶಕ್ಕೆ ಸಾವಿರ ದಾರಿಗಳು ಕಡಿಮೆ

ಒಮ್ಮೆ ಪ್ರತಿ ದೋಷಕ್ಕೂ ಪ್ರತ್ಯೇಕ, ನಿರಂತರ ತನಿಖೆಯ ಅಗತ್ಯವಿದ್ದ ಭದ್ರತಾ ಸಂಶೋಧನೆಯನ್ನು ಈಗ ಹೆಚ್ಚು ಹೆಚ್ಚು ವ್ಯವಸ್ಥಿತ ಪ್ರಕ್ರಿಯೆಯಾಗಿ ನಡೆಸಲು ಸಾಧ್ಯವಾಗುತ್ತಿದೆ. ಈ ಕ್ಷೇತ್ರದಲ್ಲಿನ ನಮ್ಮ ಒಂದು ಪ್ರಯತ್ನವನ್ನು ಈ ದಸ್ತಾವೇಜು ವಿವರಿಸುತ್ತದೆ.

ದುರ್ಬಲತೆಗಳ ಪತ್ತೆಯನ್ನು ದೊಡ್ಡ ಪ್ರಮಾಣದಲ್ಲಿ ನಡೆಸುವುದು ಸುಲಭವಾಗುತ್ತಿದೆ. ಆದರೆ ಆದ್ಯತೆ ನಿಗದಿಪಡಿಸುವಿಕೆ ಮತ್ತು ದೃಢೀಕರಣ ಇನ್ನೂ ಕಾರ್ಯಾಚರಣೆಗೆ ಅಡ್ಡಿಯಾಗಿವೆ. ನಿಯಂತ್ರಿತ ಸಂಶೋಧನಾ ಪರಿಸರದಲ್ಲಿ ಲಿನಕ್ಸ್ ಕರ್ನೆಲ್‌ನ ಭದ್ರತಾ ದೋಷಗಳನ್ನು ಹುಡುಕಲು ನಾವು ಪ್ರಾಯೋಗಿಕ ವ್ಯವಸ್ಥೆಯನ್ನು ನಿರ್ಮಿಸಿದೆವು. ನಮ್ಮ ಪ್ರಾಯೋಗಿಕ ವ್ಯವಸ್ಥೆಯು ಲಿನಕ್ಸ್ ಕರ್ನೆಲ್‌ನಲ್ಲಿ 2,308 ಸಂಭಾವ್ಯ ದೋಷಗಳನ್ನು ಗುರುತಿಸಿ ವಿಶ್ಲೇಷಿಸಿತು, 1,724 ದುರ್ಬಲತೆಗಳನ್ನು ಚಲಾಯಿಸಿ ಮರುಉತ್ಪಾದಿಸಿತು ಮತ್ತು 948 ಸ್ಥಳೀಯ ಪ್ರವೇಶಾಧಿಕಾರ ಹೆಚ್ಚಳದ (LPE) ದಾಳಿ ತಂತ್ರಗಳನ್ನು ರಚಿಸಿತು. ಇವು ವಿಶೇಷ ಪ್ರವೇಶಾಧಿಕಾರವಿಲ್ಲದ ಸ್ಥಳೀಯ ಬಳಕೆದಾರರಿಗೆ ರೂಟ್ ಪ್ರವೇಶ ಪಡೆಯಲು ಅವಕಾಶ ನೀಡಬಲ್ಲವು.

ವರದಿ ಮಾಡಬೇಕಾದ ದುರ್ಬಲತೆಗಳಿಗೆ ಆದ್ಯತೆ ನೀಡಲು ಈ ಪುರಾವೆಯನ್ನು ಬಳಸಿ, ನಿರ್ವಹಣಾಕಾರರ ಪರಿಶೀಲನೆಗಾಗಿ ಪ್ರಸ್ತಾವಿತ ದೋಷತಿದ್ದುಪಡಿಗಳನ್ನು ಅಭಿವೃದ್ಧಿಪಡಿಸಿದೆವು. ಲಿನಕ್ಸ್ ಕರ್ನೆಲ್ ಸಮುದಾಯದ ಮಾರ್ಗದರ್ಶನದಂತೆ, ನಾವು ಗಂಭೀರ ದುರ್ಬಲತೆಗಳಿಂದ ಆರಂಭಿಸಿದೆವು. ಮುಂದಿನ ವರದಿಗಳು ಮತ್ತು ತಿದ್ದುಪಡಿಗಳಿಗಾಗಿ ಪ್ಯಾಚ್ ದಿ ಪ್ಲಾನೆಟ್ ಪಾಲುದಾರರೊಂದಿಗೆ ಕೆಲಸ ಮಾಡುತ್ತಿದ್ದೇವೆ.

ಜೂನ್‌ನಲ್ಲಿ ನಮ್ಮ ಪ್ಯಾಚ್ ದಿ ಪ್ಲಾನೆಟ್ ಉಪಕ್ರಮದ ಭಾಗವಾಗಿ, GPT‑5.5 Cyber ಲಿನಕ್ಸ್ ಕರ್ನೆಲ್ ದುರ್ಬಲತೆಗಳನ್ನು ಗುರುತಿಸಿ, ಅವನ್ನು ದೃಢೀಕರಿಸಿ ವರದಿ ಮಾಡಲು 24 ಸ್ಥಳೀಯ ಪ್ರವೇಶಾಧಿಕಾರ ಹೆಚ್ಚಳದ ದಾಳಿ ತಂತ್ರಗಳನ್ನು ಅಭಿವೃದ್ಧಿಪಡಿಸಿದ್ದನ್ನು ಹಂಚಿಕೊಂಡಿದ್ದೆವು. ಮುಂಬರುವ ಸೈಬರ್ ಮಾಡೆಲ್‌ನ ನೆರವಿನಿಂದ ಆ ಕೆಲಸವನ್ನು ಕಾರ್ಯಪ್ರವಾಹವಾಗಿ ವಿಸ್ತರಿಸಿದೆವು. ಇದು ದುರ್ಬಲತೆಗಳ ಪತ್ತೆ, ಚಲಾಯಿಸಿ ದೃಢೀಕರಣ, ದುರ್ಬಳಕೆ ಸಾಧ್ಯತೆಯ ಮೌಲ್ಯಮಾಪನ ಮತ್ತು ದೋಷತಿದ್ದುಪಡಿ ರಚನೆಯನ್ನು ಒಳಗೊಂಡಿದೆ. ಇದು ಮುಗಿದ ಬಳಿಕ, ಮಾನವ ಸಂಶೋಧಕರು ಫಲಿತಾಂಶಗಳನ್ನು ಪರಿಶೀಲಿಸಿ, ಕಂಡುಬಂದ ದುರ್ಬಲತೆಗಳನ್ನು ತಿದ್ದುಪಡಿಗಳೊಂದಿಗೆ ವರದಿ ಮಾಡಿದರು.

ಲಿನಕ್ಸ್ ಕರ್ನೆಲ್ ಆಂಡ್ರಾಯ್ಡ್ ಸಾಧನಗಳು, ಕ್ಲೌಡ್ ಮೂಲಸೌಕರ್ಯ, ಸೂಪರ್‌ಕಂಪ್ಯೂಟರ್‌ಗಳು ಮತ್ತು ಶತಕೋಟ್ಯಂತರ ಜನರು ಬಳಸುವ ಇತರ ವ್ಯವಸ್ಥೆಗಳ ಆಧಾರವಾಗಿದೆ. ನಾಲ್ಕು ಕೋಟಿಗೂ ಹೆಚ್ಚು ಕೋಡ್ ಸಾಲುಗಳನ್ನು ಹೊಂದಿರುವ ಕರ್ನೆಲ್, ವ್ಯವಸ್ಥಾ ಕರೆಗಳು, ನೆಟ್‌ವರ್ಕಿಂಗ್, ಕಡತ ವ್ಯವಸ್ಥೆಗಳು ಮತ್ತು ಸಾಧನ ಚಾಲಕಗಳ ಮೂಲಕ ವ್ಯಾಪಕ ದಾಳಿ ಅವಕಾಶಗಳನ್ನು ಒದಗಿಸುತ್ತದೆ. ಇಷ್ಟು ದೊಡ್ಡ ಮತ್ತು ಪ್ರಮುಖ ಕೋಡ್ ಸಂಗ್ರಹದಲ್ಲಿ ಅತ್ಯಾಧುನಿಕ ಮಾಡೆಲ್‌ಗಳು ದುರ್ಬಲತೆಗಳನ್ನು ಎಷ್ಟು ಪರಿಣಾಮಕಾರಿಯಾಗಿ ಪತ್ತೆಹಚ್ಚಿ, ಅವುಗಳ ಭದ್ರತಾ ಪರಿಣಾಮವನ್ನು ತೋರಿಸಬಲ್ಲವು ಎಂಬುದನ್ನು ಅಧ್ಯಯನ ಮಾಡಲು ನಾವು ಲಿನಕ್ಸ್ ಆಯ್ದುಕೊಂಡೆವು.

ಆರಂಭಿಕ ದುರ್ಬಲತೆ ಪತ್ತೆ ಹಂತವು ಸಾವಿರಾರು ಸಂಭಾವ್ಯ ದೋಷಗಳನ್ನು ಗುರುತಿಸಿತು. ಇವೆಲ್ಲವನ್ನೂ ಭದ್ರತಾ ಸಂಶೋಧಕರು ಕೈಯಾರೆ ಪರಿಶೀಲಿಸಿ ಪ್ರಾಥಮಿಕ ಮೌಲ್ಯಮಾಪನ ಮಾಡಲು ಸಾಧ್ಯವಿರಲಿಲ್ಲ. ನಮ್ಮ ದುರ್ಬಲತೆ ಪತ್ತೆ ಕಾರ್ಯಪ್ರವಾಹದ ಕಾರ್ಯಾಚರಣಾ ಸವಾಲು ಪತ್ತೆಹಚ್ಚುವುದಲ್ಲ. ಯಾವ ದೋಷಗಳನ್ನು ಮರುಉತ್ಪಾದಿಸಬಹುದು, ಅವು ಯಾವ ಭದ್ರತಾ ಗಡಿಯನ್ನು ದಾಟುತ್ತವೆ ಮತ್ತು ನಿರ್ವಹಣಾಕಾರರು ಯಾವುದಕ್ಕೆ ಮೊದಲು ಗಮನ ಕೊಡಬೇಕು ಎಂಬುದನ್ನು ನಿರ್ಧರಿಸುವುದೇ ಸವಾಲಾಗಿತ್ತು.

ಜಗತ್ತು ಅವಲಂಬಿಸಿರುವ ತಂತ್ರಾಂಶವನ್ನು ಸುರಕ್ಷಿತಗೊಳಿಸಲು ನೆರವಾಗುವುದು OpenAIನ ಸೈಬರ್ ತಂಡದ ಧ್ಯೇಯ. ಈ ಕೆಲಸವನ್ನು ಪುನರಾವರ್ತಿಸಿ ವಿಸ್ತರಿಸಲು ಬೇಕಾದ ಸಂಪನ್ಮೂಲಗಳನ್ನು ಸಂಶೋಧಕರು ಅಂದಾಜಿಸಲು ನೆರವಾಗುವಂತೆ ಪ್ರತಿ ಹಂತದ API ವೆಚ್ಚಗಳನ್ನು ವರದಿ ಮಾಡುತ್ತೇವೆ. ಈ ವೆಚ್ಚಗಳು ಈ ಮೌಲ್ಯಮಾಪನದಲ್ಲಿ ಬಳಸಿದ ಮಾಡೆಲ್‌ಗಳು, ಗುರಿ ಸಂರಚನೆಗಳು ಮತ್ತು ಕಾರ್ಯಪ್ರವಾಹವನ್ನು ಪ್ರತಿಬಿಂಬಿಸುತ್ತವೆ. ದುರ್ಬಲತೆಗಳನ್ನು ಪತ್ತೆಹಚ್ಚಿ ಸರಿಪಡಿಸಲು ರಕ್ಷಕರಿಗೆ ನೆರವಾಗುವುದು ನಮ್ಮ ವ್ಯಾಪಕ ಗುರಿ. ಇದರಿಂದ ದಾಳಿಕೋರರಿಗೆ ಸಿಗುವ ಅವಕಾಶಗಳು ಕಡಿಮೆಯಾಗಿ, ತಂತ್ರಾಂಶವನ್ನು ದುರ್ಬಳಕೆ ಮಾಡುವ ಅವರ ವೆಚ್ಚ ಹೆಚ್ಚುತ್ತದೆ.

ಕೊನೆಯದಾಗಿ, ಈ ಸಂಶೋಧನೆಯಲ್ಲಿ ನಾವು ವೆಚ್ಚಕ್ಕಿಂತ ಕಾರ್ಯವಿಧಾನ ಮತ್ತು ಮಾಡೆಲ್ ಸಾಮರ್ಥ್ಯವನ್ನು ಅಳೆಯುವುದರತ್ತ ಗಮನಹರಿಸಿದ್ದೇವೆ ಎಂಬುದನ್ನು ಗಮನಿಸಿ. ಪೂರಕ ವ್ಯವಸ್ಥೆಯನ್ನು ಸಾಕಷ್ಟು ಸುಧಾರಿಸಿದರೆ ಪ್ರತಿ ಹಂತದ ವೆಚ್ಚವನ್ನು ಗಮನಾರ್ಹವಾಗಿ ಕಡಿಮೆ ಮಾಡಬಹುದು ಎಂದು ನಿರೀಕ್ಷಿಸುತ್ತೇವೆ. ಹೀಗಾಗಿ ನಾವು ವರದಿ ಮಾಡುವ ವೆಚ್ಚಗಳನ್ನು ಹೆಚ್ಚಾಗಿ ಗರಿಷ್ಠ ಮಿತಿಯೆಂದು ಪರಿಗಣಿಸಬಹುದು.

ನಮ್ಮ ದುರ್ಬಲತೆ ಸಂಶೋಧನಾ ಪ್ರಾಯೋಗಿಕ ವ್ಯವಸ್ಥೆಯು ಐದು ಹಂತಗಳ ಕಾರ್ಯಪ್ರವಾಹವಾಗಿದೆ. ಇದರ ಕೇಂದ್ರದಲ್ಲಿ ಮುಂಬರುವ ಸೈಬರ್ ಮಾಡೆಲ್ ಇದೆ:

• ದುರ್ಬಲತೆಗಳ ಪತ್ತೆ: ಏಜೆಂಟ್‌ಗಳು ಕೋಡ್ ಸಂಗ್ರಹದಲ್ಲಿ ಭದ್ರತೆಗೆ ಸಂಬಂಧಿಸಿದ ಭಾಗಗಳನ್ನು ಗುರುತಿಸಿ, ಸಂಭಾವ್ಯ ದೋಷಗಳಿಗಾಗಿ ಅವನ್ನು ಶೋಧಿಸುತ್ತವೆ.

• ಡೈನಾಮಿಕ್ ದೃಢೀಕರಣ: ಏಜೆಂಟ್‌ಗಳು ಪ್ರತಿ ಸಂಭಾವ್ಯ ದೋಷವನ್ನು ಪ್ರತ್ಯೇಕ ಪರಿಸರದಲ್ಲಿ ಮರುಉತ್ಪಾದಿಸಲು ಯತ್ನಿಸಿ, ಚಾಲನಾ ಸಮಯದ ಪುರಾವೆಗಳನ್ನು ಉಳಿಸಿಕೊಳ್ಳುತ್ತವೆ. ಈ ಹಂತವು ಮರುಉತ್ಪಾದಿಸಿ ದೃಢೀಕರಿಸಿದ ದುರ್ಬಲತೆಗಳನ್ನು ನೀಡುತ್ತದೆ.

• ದುರ್ಬಳಕೆ ಸಾಧ್ಯತೆಯ ಮೌಲ್ಯಮಾಪನ: ದೃಢೀಕೃತ ದುರ್ಬಲತೆಗಳು ಮಾಹಿತಿ ಬಹಿರಂಗಗೊಳ್ಳಲು ಅಥವಾ ಸ್ಥಳೀಯ ಪ್ರವೇಶಾಧಿಕಾರ ಹೆಚ್ಚಳಕ್ಕೆ ಅವಕಾಶ ನೀಡುತ್ತವೆಯೇ ಎಂದು ಏಜೆಂಟ್‌ಗಳು ಪರೀಕ್ಷಿಸುತ್ತವೆ.

• ದೋಷತಿದ್ದುಪಡಿ ರಚನೆ: ಗುರುತಿಸಿದ ಪ್ರತಿ ದುರ್ಬಲತೆಯನ್ನು ಸರಿಪಡಿಸುವ ತಿದ್ದುಪಡಿಗಳನ್ನು ಏಜೆಂಟ್‌ಗಳು ರಚಿಸುತ್ತವೆ.

• ಮಾನವ ಪರಿಶೀಲನೆ: ನಿರ್ವಹಣಾಕಾರರಿಗೆ ವರದಿ ಮಾಡುವ ಮುನ್ನ ಭದ್ರತಾ ಸಂಶೋಧಕರು ದಾಳಿ ತಂತ್ರ, ತಿದ್ದುಪಡಿ ಮತ್ತು ಪ್ರಸ್ತಾವಿತ ತೀವ್ರತೆಯ ಮಟ್ಟವನ್ನು ಪರಿಶೀಲಿಸುತ್ತಾರೆ.

ಕಾರ್ಯಪ್ರವಾಹದ ಕೊನೆಯಲ್ಲಿ, ವ್ಯವಸ್ಥೆಯು ಮೂಲ ಕಾರಣದ ವಿಶ್ಲೇಷಣೆ, ವ್ಯವಸ್ಥೆಯನ್ನು ಸ್ಥಗಿತಗೊಳಿಸುವ ಕನಿಷ್ಠ ಪರಿಕಲ್ಪನಾ ಪುರಾವೆ, ಪ್ರಸ್ತಾವಿತ ತಿದ್ದುಪಡಿ ಮತ್ತು ಪೂರ್ಣ ದಾಳಿ ತಂತ್ರವನ್ನು ಒಟ್ಟಾಗಿ ಒದಗಿಸುತ್ತದೆ. ಇವು ದುರ್ಬಲತೆಯ ತೀವ್ರತೆಯನ್ನು ಅಳೆಯಲು ಮತ್ತು ತಿದ್ದುಪಡಿಗಳನ್ನು ಮೂಲ ಯೋಜನೆಗೆ ಸೇರಿಸಲು ಮಾನವ ಸಂಶೋಧಕರಿಗೆ ನೆರವಾಗುತ್ತವೆ.

ಲಿನಕ್ಸ್ ಕರ್ನೆಲ್‌ನ ಪ್ರತಿಯೊಂದು ಕೋಡ್ ಸಾಲೂ ಭದ್ರತೆಗೆ ಸಂಬಂಧಿಸಿದ್ದಲ್ಲ. ಅತ್ಯಂತ ಮಹತ್ವದ ಪರಿಶೀಲನಾ ಗುರಿಗಳನ್ನು ಗುರುತಿಸಲು ನಮ್ಮ ಕಾರ್ಯಪ್ರವಾಹವು ಅನ್ವೇಷಕ ಏಜೆಂಟ್‌ಗಳ ತಂಡವನ್ನು ಬಳಸಿತು. ಬಳಿಕ ದುರ್ಬಲತೆಗಳಿಗಾಗಿ ಶೋಧಿಸಲು ಆ ಗುರಿಗಳನ್ನು ವಿಶ್ಲೇಷಕ ಏಜೆಂಟ್‌ಗಳಿಗೆ ನೀಡಲಾಯಿತು.

ಅನ್ವೇಷಕ ಏಜೆಂಟ್‌ಗಳು ಪ್ರತಿ ಫೋಲ್ಡರ್ ಮತ್ತು ಕಡತವನ್ನು ಓದಿ, ಕಡಿಮೆ ಪ್ರವೇಶಾಧಿಕಾರದ ಬಳಕೆದಾರರು ತಲುಪಬಹುದಾದ ಮತ್ತು ಭದ್ರತೆಗೆ ಸಂಬಂಧಿಸಿದ ಭಾಗಗಳನ್ನು ಆಧರಿಸಿ ಯಾವ ಗುರಿಗಳನ್ನು ಪರಿಶೀಲಿಸಬೇಕೆಂದು ನಿರ್ಧರಿಸುತ್ತವೆ.

ಈ ಹಂತದಲ್ಲಿ 5,034 ಪರಿಶೀಲನಾ ಗುರಿಗಳನ್ನು ಗುರುತಿಸಲಾಯಿತು. ಅವು ಸುಮಾರು 28 ಲಕ್ಷ ಕೋಡ್ ಸಾಲುಗಳನ್ನು ಹೊಂದಿದ್ದು, ಇಡೀ ಲಿನಕ್ಸ್ ಕರ್ನೆಲ್ ಕೋಡ್‌ನ ಸುಮಾರು 7% ಆಗಿದ್ದವು. ಸಂಪೂರ್ಣ ಕೋಡ್ ವಿಶ್ಲೇಷಣೆಗೆ ಹೋಲಿಸಿದರೆ ಇದು ಭದ್ರತಾ ಪರಿಶೀಲನೆಯ ವೆಚ್ಚವನ್ನು ಗಣನೀಯವಾಗಿ ಕಡಿಮೆ ಮಾಡಿತು. ಈ ಹಂತಕ್ಕೆ API ಕ್ರೆಡಿಟ್‌ಗಳಲ್ಲಿ $3,426 ವೆಚ್ಚವಾಯಿತು.

ಮುಂದೆ, ವಿಶ್ಲೇಷಕ ಏಜೆಂಟ್‌ಗಳು ಪ್ರತಿ ಪರಿಶೀಲನಾ ಗುರಿಯನ್ನು ವಿಶ್ಲೇಷಿಸಿ, Codex ಭದ್ರತಾ ಪ್ಲಗಿನ್‌ನ⁠(ಹೊಸ ಕಿಟಕಿಯಲ್ಲಿ ತೆರೆಯುತ್ತದೆ) ಕಾರ್ಯವಿಧಾನವನ್ನು ಹೋಲುವ ವಿಧಾನದಿಂದ ಸಂಭಾವ್ಯ ದೋಷಗಳನ್ನು ಗುರುತಿಸಿದವು. ಸ್ಥೂಲವಾಗಿ, ವಿಶ್ಲೇಷಕ ಏಜೆಂಟ್‌ಗಳು ನೀಡಲಾದ ಗುರಿಯ ಕೋಡ್ ಓದಿ, ಅದು ಹೇಗೆ ಕೆಲಸ ಮಾಡುತ್ತದೆಂದು ತಿಳಿದುಕೊಳ್ಳುತ್ತವೆ, ಅದರ ಥ್ರೆಟ್ ಮಾಡೆಲ್ ಅನ್ನು ಗುರುತಿಸುತ್ತವೆ ಮತ್ತು ಅದರಲ್ಲಿರುವ ದುರ್ಬಲತೆಗಳನ್ನು ಹುಡುಕುತ್ತವೆ.

12 ಗಂಟೆಗಳಲ್ಲಿ, ಪುನರಾವರ್ತಿತ ಫಲಿತಾಂಶಗಳನ್ನು ತೆಗೆದ ಬಳಿಕ ವಿಶ್ಲೇಷಕ ಏಜೆಂಟ್‌ಗಳು 2,308 ಸಂಭಾವ್ಯ ದೋಷಗಳನ್ನು ಗುರುತಿಸಿದವು. ಈ ಹಂತಕ್ಕೆ API ಕ್ರೆಡಿಟ್‌ಗಳಲ್ಲಿ $316,549 ವೆಚ್ಚವಾಯಿತು.

ಸಂಭಾವ್ಯ ದೋಷವನ್ನು ಗುರುತಿಸುವುದೇ ಅದು ದೃಢೀಕೃತ ದುರ್ಬಲತೆ ಎಂದರ್ಥವಲ್ಲ. ಇಷ್ಟು ದೊಡ್ಡ ಪ್ರಮಾಣದಲ್ಲಿ ಪ್ರತಿ ವರದಿಯನ್ನು ಮಾನವ ಪರಿಶೀಲನೆಗೆ ಒಳಪಡಿಸುವುದು ನಮ್ಮ ಸಂಶೋಧನಾ ತಂಡಕ್ಕೆ ಪ್ರಾಯೋಗಿಕವಲ್ಲ.

ಹೀಗಾಗಿ ನಾವು ಈ ಗುಣಲಕ್ಷಣಗಳಿರುವ ದೋಷಗಳನ್ನು ದೃಢೀಕರಿಸುವತ್ತ ಗಮನಹರಿಸಿದೆವು: ಅ) ಕಡಿಮೆ ಪ್ರವೇಶಾಧಿಕಾರದ ಬಳಕೆದಾರರು ತಲುಪಬಹುದಾದವು, ಆ) ಯಾವುದೇ ವಿಶೇಷ ಸಾಮರ್ಥ್ಯಗಳ ಅಗತ್ಯವಿಲ್ಲದವು ಮತ್ತು ಇ) ಮೆಮೊರಿ ಹಾನಿಯ ಅಳೆಯಬಹುದಾದ ಪುರಾವೆಯನ್ನು ನೀಡುವವು.

ಪ್ರತಿ ಸಂಭಾವ್ಯ ದೋಷಕ್ಕೂ, ಪ್ರಾಥಮಿಕ ಮೌಲ್ಯಮಾಪನ ಏಜೆಂಟ್ ಪರಿಕಲ್ಪನಾ ಪುರಾವೆಯನ್ನು ರಚಿಸಿತು. ಅದನ್ನು ಕರ್ನೆಲ್ ವಿಳಾಸ ಶುದ್ಧೀಕಾರಕ (KASAN) ಹೊಂದಿದ ಲಿನಕ್ಸ್ ಕರ್ನೆಲ್ ಚಾಲನೆಯಲ್ಲಿರುವ ಪ್ರತ್ಯೇಕ ವರ್ಚುವಲ್ ಯಂತ್ರದಲ್ಲಿ ರನ್ ಮಾಡಿತು. ಏಜೆಂಟ್ ಪ್ರೋಗ್ರಾಂನ ಫಲಿತಾಂಶ ಮತ್ತು ವ್ಯವಸ್ಥೆಯ ಕನ್ಸೋಲ್ ಎರಡನ್ನೂ ಗಮನಿಸಿತು. ಬಳಿಕ ವರದಿಯಾದ ವರ್ತನೆಯನ್ನು ಮರುಉತ್ಪಾದಿಸುವವರೆಗೆ ಅಥವಾ ಅದನ್ನು ಪ್ರಚೋದಿಸುವ ಎಲ್ಲ ಸಂಭಾವ್ಯ ಮಾರ್ಗಗಳು ಮುಗಿಯುವವರೆಗೆ ಪರಿಕಲ್ಪನಾ ಪುರಾವೆಯನ್ನು ಹಂತಹಂತವಾಗಿ ಪರಿಷ್ಕರಿಸಿತು.

30 ಗಂಟೆಗಳಲ್ಲಿ, ನಮ್ಮ ವ್ಯವಸ್ಥೆಯು 1724 ದುರ್ಬಲತೆಗಳನ್ನು ಮರುಉತ್ಪಾದಿಸಿತು. ಇದು 2,308 ಸಂಭಾವ್ಯ ದೋಷಗಳಲ್ಲಿ ಸುಮಾರು 74.7%. ಕೋಡ್ ಚಲಾಯಿಸದೆ ಪರಿಶೀಲಿಸುವುದರಿಂದ ಮಾತ್ರ ದೋಷವಿಲ್ಲದಿದ್ದರೂ ದೋಷವಿದೆ ಎಂಬ ತಪ್ಪು ನಿರ್ಧಾರಗಳು ಬರಬಹುದು. ಹೀಗಾಗಿ ವಿಶ್ಲೇಷಕ ಏಜೆಂಟ್‌ಗಳ ನಿಖರತೆ ಮತ್ತು ಸುಮಾರು ಮುಕ್ಕಾಲು ಭಾಗದ ಸಂಭಾವ್ಯ ದೋಷಗಳಿಗೆ ಸ್ವತಂತ್ರವಾಗಿ ಕಾರ್ಯನಿರ್ವಹಿಸುವ ಪರಿಕಲ್ಪನಾ ಪುರಾವೆಗಳನ್ನು ರಚಿಸಿದ ಮೌಲ್ಯಮಾಪನ ಏಜೆಂಟ್‌ಗಳ ಪರಿಣಾಮಕಾರಿತ್ವ ನಮ್ಮನ್ನು ಮೆಚ್ಚಿಸಿತು.

ಉಳಿದ ಬಹುತೇಕ ದೋಷಗಳಿಗೆ ಹೆಚ್ಚಿನ ಪ್ರವೇಶಾಧಿಕಾರ ಬೇಕಿತ್ತು ಅಥವಾ ನಿಗದಿತ ಸಮಯದಲ್ಲಿ ಅವನ್ನು ಮರುಉತ್ಪಾದಿಸಲಾಗಲಿಲ್ಲ. ಇದಕ್ಕೆ ಕಠಿಣ ಸಮಕಾಲೀನ ಪೈಪೋಟಿ ಸ್ಥಿತಿಗಳು, ನಿರ್ದಿಷ್ಟ ಪ್ರಚೋದಕ ಸ್ಥಿತಿಗಳು (ಉದಾ. ನಿರ್ದಿಷ್ಟ ಸಾಲಿನಲ್ಲಿ ಮೆಮೊರಿ ಹಂಚಿಕೆ ವಿಫಲವಾಗಬೇಕಿರುವುದು), ಅಥವಾ ಸಮಯ ಹಿಡಿಯುವ ದೃಢೀಕರಣ (ಉದಾ. ಉಲ್ಲೇಖ ಎಣಿಕೆ ಗರಿಷ್ಠ ಮಿತಿ ದಾಟಿ ಆರಂಭಕ್ಕೆ ಮರಳುವುದು) ಕಾರಣವಾಗಿದ್ದವು. ಕೇವಲ 3.1% ಪ್ರಕರಣಗಳಲ್ಲಿ ಮಾಡೆಲ್‌ನ ವಿಶ್ಲೇಷಣೆ ತಪ್ಪಾಗಿತ್ತು; ವರದಿಯಾದ ದುರ್ಬಲತೆಯು ಸಂಭವಿಸಲು ಸಾಧ್ಯವಿಲ್ಲದ ಸ್ಥಿತಿಯನ್ನು ಆಧರಿಸಿತ್ತು.

ದೃಢೀಕರಣ ಹಂತಕ್ಕೆ ಒಟ್ಟು API ಕ್ರೆಡಿಟ್‌ಗಳಲ್ಲಿ $73,330 ವೆಚ್ಚವಾಯಿತು. ಸಂಭಾವ್ಯ ದೋಷ ನಿಜವಾದ ದುರ್ಬಲತೆಯೇ ಎಂಬುದನ್ನು ದೃಢೀಕರಿಸಲು ನಮ್ಮ ಕಾರ್ಯಪ್ರವಾಹವು ಪರಿಕಲ್ಪನಾ ಪುರಾವೆಯನ್ನು ರಚಿಸಬೇಕಿತ್ತು. ಈ ಪ್ರಕ್ರಿಯೆಯು ಕೋಡ್ ಚಲಾಯಿಸದೆ ಮಾಡಿದ ವಿಶ್ಲೇಷಣೆಯನ್ನಷ್ಟೇ ಆಧರಿಸಿ ಶಿಫಾರಸು ನೀಡುವುದಕ್ಕಿಂತ ಹೆಚ್ಚು ವೆಚ್ಚದಾಯಕವಾಗಿತ್ತು. ಅಲ್ಲದೆ, ನಿಜವಾದ ದೋಷವನ್ನಾಗಲೀ ತಪ್ಪಾಗಿ ಗುರುತಿಸಿದ ದೋಷವನ್ನಾಗಲೀ ದೃಢೀಕರಿಸಲು ಯತ್ನಿಸುವ ವೆಚ್ಚಗಳು ಹೋಲುವಂತಿದ್ದವು. ಹೀಗಾಗಿ ಕಾರ್ಯಪ್ರವಾಹದ ಆರಂಭದಲ್ಲೇ ತಪ್ಪಾಗಿ ಗುರುತಿಸಿದ ದೋಷಗಳನ್ನು ತೆಗೆದುಹಾಕುವುದು ವೆಚ್ಚವನ್ನು ಗಮನಾರ್ಹವಾಗಿ ಉಳಿಸುತ್ತದೆ.

ದೃಢೀಕರಣವು ದುರ್ಬಲತೆ ನಿಜವೆಂದು ಸಾಬೀತುಪಡಿಸುತ್ತದೆ. ಆದರೆ ಅದನ್ನು ಎಷ್ಟು ತುರ್ತಾಗಿ ಸರಿಪಡಿಸಬೇಕು ಎಂಬುದನ್ನು ತಿಳಿಸುವುದಿಲ್ಲ. ಉದಾಹರಣೆಗೆ, ಸ್ಥಳೀಯ ಸೇವಾ ನಿರಾಕರಣೆಗಷ್ಟೇ ಕಾರಣವಾಗುವ ದುರ್ಬಲತೆಗಿಂತ ಸ್ಥಳೀಯ ಪ್ರವೇಶಾಧಿಕಾರ ಹೆಚ್ಚಳಕ್ಕೆ ಅವಕಾಶ ನೀಡುವ ದುರ್ಬಲತೆಗೆ ಹೆಚ್ಚಿನ ಆದ್ಯತೆ ಬೇಕು. 1,724 ದುರ್ಬಲತೆಗಳನ್ನು ದೃಢೀಕರಿಸಿದ ಬಳಿಕ, ಭದ್ರತೆಯ ಮೇಲೆ ಅತಿ ಹೆಚ್ಚು ಪರಿಣಾಮ ಬೀರಬಹುದಾದವುಗಳನ್ನು ಗುರುತಿಸುವುದು ಮುಂದಿನ ಕೆಲಸವಾಗಿತ್ತು.

ಆರಂಭಿಕ ಆಯ್ಕೆ ಏಜೆಂಟ್ ಪ್ರತಿ ವರದಿ, ಕ್ರ್ಯಾಶ್ ಲಾಗ್ ಮತ್ತು ಸಂಬಂಧಿತ ಮೂಲ ಕೋಡ್ ಅನ್ನು ಸ್ಟ್ಯಾಟಿಕ್ ಆಗಿ ಪರಿಶೀಲಿಸಿತು. ಗಂಭೀರವಾಗಿರಬಹುದಾದ ದೋಷಗಳನ್ನು ತಳ್ಳಿಹಾಕದಂತೆ ಆಯ್ಕೆಯ ಮಾನದಂಡಗಳನ್ನು ಉದ್ದೇಶಪೂರ್ವಕವಾಗಿ ಸಡಿಲವಾಗಿಡಲಾಗಿತ್ತು. ಆದರೂ ದುರ್ಬಳಕೆಗೆ ನಂಬಲರ್ಹ ಮಾರ್ಗವಿಲ್ಲದ ಪ್ರಕರಣಗಳನ್ನು ಹೊರಗಿಡಲಾಯಿತು. ಇದರಿಂದ ಫಲಿತಾಂಶಗಳು 313 ಸಂಭಾವ್ಯ ಮಾಹಿತಿ ಸೋರಿಕೆಗಳು ಮತ್ತು 1,238 ಸಂಭಾವ್ಯ ಸ್ಥಳೀಯ ಪ್ರವೇಶಾಧಿಕಾರ ಹೆಚ್ಚಳದ ದೋಷಗಳಿಗೆ ಸೀಮಿತವಾದವು.

ಬಳಿಕ ದಾಳಿ ತಂತ್ರ ಅಭಿವೃದ್ಧಿ (ExploitDev) ಏಜೆಂಟ್‌ಗಳು ಇವುಗಳನ್ನು ಪ್ರತ್ಯೇಕ ವರ್ಚುವಲ್ ಯಂತ್ರಗಳಲ್ಲಿ ಪರೀಕ್ಷಿಸಿದವು. ಆ ಯಂತ್ರಗಳಲ್ಲಿ ಪ್ರಮಾಣಿತ ಲಿನಕ್ಸ್ ವಿತರಣೆಯ ರಕ್ಷಣೆಗಳನ್ನು ಸಕ್ರಿಯಗೊಳಿಸಲಾಗಿತ್ತು: ಮೇಲ್ವಿಚಾರಕ ಕ್ರಮದಲ್ಲಿ ಕಾರ್ಯಗತಗೊಳಿಸುವಿಕೆ ತಡೆ (SMEP), ಮೇಲ್ವಿಚಾರಕ ಕ್ರಮದಲ್ಲಿ ಪ್ರವೇಶ ತಡೆ (SMAP), ಕರ್ನೆಲ್ ವಿಳಾಸ ಸ್ಥಳ ವಿನ್ಯಾಸದ ಯಾದೃಚ್ಛಿಕೀಕರಣ (KASLR) ಮತ್ತು HARDENED_USERCOPY. ರಕ್ಷಣೆಗಳನ್ನು ನಿಷ್ಕ್ರಿಯಗೊಳಿಸಿದಾಗ ಮಾತ್ರ ಅನ್ವಯಿಸುವ ಅವಾಸ್ತವಿಕ ಮೌಲ್ಯಮಾಪನಗಳನ್ನು ತಪ್ಪಿಸಲು ಇದು ನೆರವಾಯಿತು.

ಏಜೆಂಟ್‌ಗಳು ಮಾಹಿತಿ ಸೋರಿಕೆಗಾಗಿ 291 ಪರಿಕಲ್ಪನಾ ಪುರಾವೆಗಳನ್ನು ಮತ್ತು 1,169 ಕಾರ್ಯನಿರ್ವಹಿಸುವ ಸ್ಥಳೀಯ ಪ್ರವೇಶಾಧಿಕಾರ ಹೆಚ್ಚಳದ ದಾಳಿ ತಂತ್ರಗಳನ್ನು ರಚಿಸಿದವು. ಇವು ವಿಶೇಷ ಪ್ರವೇಶಾಧಿಕಾರವಿಲ್ಲದ ಸ್ಥಳೀಯ ಬಳಕೆದಾರರಿಗೆ ರೂಟ್ ಪ್ರವೇಶ ನೀಡಬಲ್ಲವು.

ನಾವು ದುರ್ಬಲತೆಗಳ ವಿವಿಧ ರೂಪಗಳನ್ನು ವಿಶ್ಲೇಷಿಸಿ, ಆ ದಾಳಿ ತಂತ್ರಗಳಿಗೆ ಕಾರಣವಾದ ದುರ್ಬಲತೆಗಳಿಗೆ 948 ಪ್ರತ್ಯೇಕ ತಿದ್ದುಪಡಿಗಳನ್ನು ಅಭಿವೃದ್ಧಿಪಡಿಸಿದೆವು. ವಿಭಿನ್ನ LPEಗಳ ಒಟ್ಟು ಸಂಖ್ಯೆಯನ್ನು ನಿರ್ಧರಿಸಲು ನಾವು ಆ ಸಂಖ್ಯೆಯನ್ನೇ ಬಳಸುತ್ತೇವೆ. ಯಶಸ್ವಿ ದಾಳಿ ತಂತ್ರಗಳನ್ನು ಅಭಿವೃದ್ಧಿಪಡಿಸಲು ಸರಾಸರಿ $359 ಮೌಲ್ಯದ ಕ್ರೆಡಿಟ್‌ಗಳು ಬೇಕಾದವು. ಹೀಗಾಗಿ ಪತ್ತೆಯಾದ ದುರ್ಬಲತೆಗಳ ದುರ್ಬಳಕೆ ಸಾಧ್ಯತೆಯನ್ನು ರಕ್ಷಕರು ತುಲನಾತ್ಮಕವಾಗಿ ಕಡಿಮೆ ವೆಚ್ಚದಲ್ಲಿ ಪರೀಕ್ಷಿಸಬಹುದು.

ಆರಂಭಿಕ ದುರ್ಬಲತೆ ಆಯ್ಕೆ ಏಜೆಂಟ್‌ಗೆ API ಕ್ರೆಡಿಟ್‌ಗಳಲ್ಲಿ $44,194 ವೆಚ್ಚವಾಯಿತು. ದುರ್ಬಳಕೆ ಹಂತಕ್ಕೆ ಒಟ್ಟು API ಕ್ರೆಡಿಟ್‌ಗಳಲ್ಲಿ $775,929 ವೆಚ್ಚವಾಯಿತು: ಸಂಭಾವ್ಯ ಮಾಹಿತಿ ಸೋರಿಕೆಗಳನ್ನು ಪರೀಕ್ಷಿಸಲು $84,929 ಮತ್ತು ಸಂಭಾವ್ಯ ಸ್ಥಳೀಯ ಪ್ರವೇಶಾಧಿಕಾರ ಹೆಚ್ಚಳದ ದೋಷಗಳನ್ನು ಪರೀಕ್ಷಿಸಲು $691,000.

ಸರಾಸರಿಯಾಗಿ, ಸಂಭಾವ್ಯ ಸ್ಥಳೀಯ ಪ್ರವೇಶಾಧಿಕಾರ ಹೆಚ್ಚಳದ ದೋಷವನ್ನು ಪರೀಕ್ಷಿಸುವ ವೆಚ್ಚ ($558), ಸಂಭಾವ್ಯ ಮಾಹಿತಿ ಸೋರಿಕೆಯನ್ನು ಪರೀಕ್ಷಿಸುವ ವೆಚ್ಚಕ್ಕಿಂತ ($271) ಸುಮಾರು ಎರಡು ಪಟ್ಟಿತ್ತು. ಮಾಹಿತಿ ಸೋರಿಕೆಯ PoCಗಳನ್ನು ದೃಢೀಕರಣ ಹಂತದಿಂದಲೇ ಮುಂದುವರಿಸಲಾಗಿತ್ತು. ಹೀಗಾಗಿ ದಾಳಿ ತಂತ್ರದಲ್ಲಿ ಬಳಸಲು ಅವುಗಳಿಗೆ ಕಡಿಮೆ ಮಾರ್ಪಾಡು ಬೇಕಾಗಿತ್ತು. ಆದರೆ ಸಂಭಾವ್ಯ LPE ದೋಷದಿಂದ ದಾಳಿ ತಂತ್ರವನ್ನು ಅಭಿವೃದ್ಧಿಪಡಿಸಲು ಹಲವು ಹೆಚ್ಚುವರಿ ಹಂತಗಳು ಬೇಕಾಗಿದ್ದವು: ದುರ್ಬಳಕೆ ಕಾರ್ಯತಂತ್ರ ರೂಪಿಸುವುದು, ಬಳಸಬಹುದಾದ ದುರ್ಬಲ ಆಬ್ಜೆಕ್ಟ್‌ಗಳನ್ನು ಗುರುತಿಸುವುದು, ರಕ್ಷಣಾ ಕ್ರಮಗಳನ್ನು ದಾಟುವುದು ಮುಂತಾದವು. ವಿಫಲ ದುರ್ಬಳಕೆ ಪ್ರಯತ್ನಗಳ ವೆಚ್ಚ (69 ಪ್ರಕರಣಗಳಿಗೆ $3,922), ಯಶಸ್ವಿ ಪ್ರಯತ್ನಗಳ ವೆಚ್ಚಕ್ಕಿಂತ (1169 ಪ್ರಕರಣಗಳಿಗೆ $360) ಬಹಳ ಹೆಚ್ಚಿತ್ತು ಎಂಬುದನ್ನೂ ಗಮನಿಸಿದೆವು. ದುರ್ಬಳಕೆ ಮಾಡಲು ಕಷ್ಟವಾದ ಕೆಲವು ದುರ್ಬಲತೆಗಳು (ಉದಾ. ಸಮಕಾಲೀನ ಪೈಪೋಟಿ ಸ್ಥಿತಿಗಳು) ಇದಕ್ಕೆ ಕಾರಣವಾಗಿದ್ದವು. ಒಂದು ಗಂಟೆ ಯಾವುದೇ ಪ್ರಗತಿ ಆಗದಿದ್ದರೆ ಪ್ರಯತ್ನವನ್ನು ನಿಲ್ಲಿಸುವಂತಹ ಸಮಂಜಸವಾದ ನಿಲುಗಡೆ ಷರತ್ತು ವಿಧಿಸಿದ್ದರೆ, ExploitDev ವೆಚ್ಚವನ್ನು ಗಣನೀಯವಾಗಿ ಕಡಿಮೆ ಮಾಡಬಹುದಿತ್ತು.

ದೃಢೀಕರಿಸಿದ ಪ್ರತಿ ದುರ್ಬಲತೆಗೂ ವ್ಯವಸ್ಥೆಯು ತಿದ್ದುಪಡಿಯನ್ನು ರಚಿಸುತ್ತದೆ. ನಾವು ಮಾಡೆಲ್‌ಗೆ ಸಂಬಂಧಿತ ಮೂಲ ಕೋಡ್ ನೀಡಿ, ತಿದ್ದುಪಡಿ ಬರೆಯುವ ಉತ್ತಮ ವಿಧಾನಗಳನ್ನು ಅನುಸರಿಸುವಂತೆ ಸೂಚಿಸುತ್ತೇವೆ. ಉದಾಹರಣೆಗೆ, ತಿದ್ದುಪಡಿಯನ್ನು ಚಲಾಯಿಸದೆ ಪರಿಶೀಲಿಸುವುದು, ಸುತ್ತಲಿನ ಕೋಡ್‌ನ ಅಭಿವೃದ್ಧಿ ಪದ್ಧತಿಗಳನ್ನು ಅನುಸರಿಸುವುದು ಮತ್ತು ತಿದ್ದುಪಡಿ ಸಂಪೂರ್ಣವಾಗಿದೆಯೆಂದು ಖಚಿತಪಡಿಸಿಕೊಳ್ಳಲು ದುರ್ಬಲತೆಯ ಇತರ ರೂಪಗಳನ್ನು ವಿಶ್ಲೇಷಿಸುವುದು.

ಲಿನಕ್ಸ್ ಕರ್ನೆಲ್ ಸಮುದಾಯದ ಸಲಹೆಯಂತೆ, ಗಂಭೀರ ದುರ್ಬಲತೆಗಳಿಗೆ ನೂರಾರು ವರದಿಗಳು ಮತ್ತು ತಿದ್ದುಪಡಿಗಳನ್ನು ಈಗಾಗಲೇ ಕಳುಹಿಸಿದ್ದೇವೆ. ಉಳಿದವುಗಳಿಗೆ ಹಂತಹಂತವಾಗಿ ತಿದ್ದುಪಡಿಗಳನ್ನು ಕಳುಹಿಸಲು ಪ್ಯಾಚ್ ದಿ ಪ್ಲಾನೆಟ್ ಪಾಲುದಾರರೊಂದಿಗೆ ಕೆಲಸ ಮಾಡುತ್ತಿದ್ದೇವೆ. ಈ ಕೆಲಸವು ಮುಕ್ತ ಮೂಲ ಯೋಜನೆಗಳಿಗೆ ಬೆಂಬಲ ನೀಡುವ ನಮ್ಮ ವ್ಯಾಪಕ ಡೇಬ್ರೇಕ್ ಬದ್ಧತೆಯ ಭಾಗವಾಗಿದೆ.

ಈ ವಿಭಾಗದಲ್ಲಿ ಈ ಸಂಶೋಧನೆಯಿಂದ ಕಲಿತ ಪಾಠಗಳು, ಚಿಂತನೆಗಳು ಮತ್ತು ಹೆಚ್ಚುವರಿ ವಿಶ್ಲೇಷಣೆಯನ್ನು ಹಂಚಿಕೊಳ್ಳುತ್ತೇವೆ.

ಈ ಸಂಶೋಧನೆಯ ವೇಳೆ, ದುರ್ಬಲತೆಗಳನ್ನು ಸರಿಪಡಿಸಿ ಬಳಕೆದಾರರನ್ನು ರಕ್ಷಿಸಲು ಲಿನಕ್ಸ್ ನಿರ್ವಹಣಾಕಾರರು ತ್ವರಿತವಾಗಿ ಕ್ರಮ ಕೈಗೊಳ್ಳುತ್ತಿರುವುದನ್ನು ಗಮನಿಸಿದೆವು. 2026ರ ಅಕ್ಟೋಬರ್ ಮಧ್ಯದಲ್ಲಿ ಇತ್ತೀಚಿನ ಲಿನಕ್ಸ್ ಕರ್ನೆಲ್‌ನಲ್ಲಿ ಶೋಧನೆ ನಡೆಸಲಾಯಿತು. 10 ದಿನಗಳ ಬಳಿಕ ಸ್ವಾಯತ್ತ ಶೋಧನೆ ಮತ್ತು ಮಾನವ ವಿಶ್ಲೇಷಣೆ ಮುಗಿಯುವ ಹೊತ್ತಿಗೆ, ಮೂಲ ಯೋಜನೆಯಲ್ಲಿ 61 LPEಗಳನ್ನು ಸರಿಪಡಿಸಲಾಗಿತ್ತು, 43ಕ್ಕೆ ಪ್ರಾಥಮಿಕ ತಿದ್ದುಪಡಿಗಳಿದ್ದವು ಮತ್ತು 299ರ ಬಗ್ಗೆ ಸಾರ್ವಜನಿಕವಾಗಿ ವರದಿ ಹಾಗೂ ಚರ್ಚೆ ನಡೆಯುತ್ತಿತ್ತು.

ಗುರುತಿಸಿದ ಸಮಸ್ಯೆಗಳನ್ನು ತುರ್ತಾಗಿ ಸರಿಪಡಿಸುತ್ತಿರುವ ಲಿನಕ್ಸ್ ನಿರ್ವಹಣಾಕಾರರಿಗೆ ಮತ್ತು ತಮ್ಮ ಸಂಶೋಧನಾ ಫಲಿತಾಂಶಗಳನ್ನು ಹಂಚಿಕೊಳ್ಳುತ್ತಿರುವ ವಿಶಾಲ ಭದ್ರತಾ ಸಮುದಾಯಕ್ಕೆ ನಾವು ತುಂಬು ಮೆಚ್ಚುಗೆ ವ್ಯಕ್ತಪಡಿಸುತ್ತೇವೆ. ಜಗತ್ತಿನ ತಂತ್ರಾಂಶವನ್ನು ಸುರಕ್ಷಿತಗೊಳಿಸಲು ಇಂತಹ ಸಾಮೂಹಿಕ ಪ್ರತಿಕ್ರಿಯೆಯೇ ಅಗತ್ಯ. ದುರ್ಬಲತೆಗಳ ಬಹಿರಂಗಪಡಿಸುವಿಕೆ ಮತ್ತು ತಿದ್ದುಪಡಿಗಳ ವೇಗವು, ಬಳಕೆದಾರರು ಹಾಗೂ ಕಂಪನಿಗಳು ತಂತ್ರಾಂಶವನ್ನು ಸದಾ ನವೀಕೃತವಾಗಿಡುವುದು ಎಷ್ಟು ಮುಖ್ಯ ಎಂಬುದನ್ನೂ ಒತ್ತಿಹೇಳುತ್ತದೆ.

ಮುಖ್ಯ ಪಾಠ: ಸ್ವಯಂಚಾಲಿತ ಪ್ರಾಥಮಿಕ ಮೌಲ್ಯಮಾಪನವು ತ್ವರಿತ ತಿದ್ದುಪಡಿ ಚಕ್ರವನ್ನು ಪರಿಗಣಿಸಬೇಕು. ಮೂಲ ಶೋಧನೆಯ ನಂತರ ಸೇರಿಸಿದ ಹೊಸ ಕೋಡ್ ಸೇರಿದಂತೆ ಇತ್ತೀಚಿನ ಕೋಡ್‌ನಲ್ಲಿ ದೋಷಗಳನ್ನು ಮರುದೃಢೀಕರಿಸುವುದು, ಪುನರಾವರ್ತಿತ ಅಥವಾ ಹಳೆಯದಾದ ವರದಿಗಳನ್ನು ತಪ್ಪಿಸಲು ನೆರವಾಗುತ್ತದೆ. ಇದು ಬಗೆಹರಿಯದ ದುರ್ಬಲತೆಗಳತ್ತ ಗಮನ ಕೇಂದ್ರೀಕರಿಸಿ, ನಿರ್ವಹಣಾಕಾರರಿಗೆ ಅನಗತ್ಯ ಪರಿಶೀಲನಾ ಹೊರೆ ಹೆಚ್ಚಿಸದೆ ಕ್ರಮ ಕೈಗೊಳ್ಳಬಹುದಾದ ಪುರಾವೆಗಳನ್ನು ನೀಡುತ್ತದೆ.

ನಾವು ಕಾರ್ಯಪ್ರವಾಹವನ್ನು ಅಭಿವೃದ್ಧಿಪಡಿಸುತ್ತಿದ್ದಾಗ, 2026ರ ಜುಲೈ ಕೊನೆಯಲ್ಲಿ GPT‑5.6 Sol ಒಟ್ಟು API ಕ್ರೆಡಿಟ್‌ಗಳಲ್ಲಿ $513,690 ವೆಚ್ಚದಲ್ಲಿ 166 ವಿಭಿನ್ನ LPE ದುರ್ಬಲತೆಗಳನ್ನು ಪತ್ತೆಹಚ್ಚಿ ದುರ್ಬಳಕೆ ಮಾಡಿತು.

2026ರ ಅಕ್ಟೋಬರ್ ಮಧ್ಯದ ಎರಡನೇ ಶೋಧನೆಯಲ್ಲಿ, ಹೊಸ ಸೈಬರ್ ಮಾಡೆಲ್ ಒಟ್ಟು API ಕ್ರೆಡಿಟ್‌ಗಳಲ್ಲಿ $1,213,430 ವೆಚ್ಚದಲ್ಲಿ 948 ವಿಭಿನ್ನ LPE ದುರ್ಬಲತೆಗಳನ್ನು ಪತ್ತೆಹಚ್ಚಿ ದುರ್ಬಳಕೆ ಮಾಡಿತು. ಎರಡೂ ಅಭಿಯಾನಗಳಲ್ಲಿ, ಆ ಸಮಯದ ಇತ್ತೀಚಿನ ಲಿನಕ್ಸ್ ಕರ್ನೆಲ್ ಮುಖ್ಯ ಶಾಖೆಯನ್ನು ಶೋಧಿಸಿದೆವು.

ಮುಖ್ಯ ಪಾಠ: ಮಾಡೆಲ್ ಸಾಮರ್ಥ್ಯಗಳು ಹೆಚ್ಚಾದಂತೆ, ಈ ಹಿಂದೆ ಪರಿಶೀಲಿಸಿದ ಕೋಡ್ ಅನ್ನು ಮತ್ತೆ ಶೋಧಿಸಿ. ಒಂದೇ ಸಂಶೋಧನಾ ಪೂರಕ ವ್ಯವಸ್ಥೆಯನ್ನು ಬಳಸಿದರೂ, ಹೆಚ್ಚು ಸಮರ್ಥ ಮಾಡೆಲ್ ಹಿಂದಿನ ಮಾಡೆಲ್‌ಗಳು ತಪ್ಪಿಸಿಕೊಂಡ ದುರ್ಬಲತೆಗಳನ್ನು ಪತ್ತೆಹಚ್ಚಬಹುದು.

ಏಜೆಂಟ್‌ಗಳು ಅಭಿವೃದ್ಧಿಪಡಿಸಿದ 166 ದಾಳಿ ತಂತ್ರಗಳನ್ನು ಮಾದರಿಯಾಗಿ ಆರಿಸಿ, ಅವುಗಳಲ್ಲಿ ಬಳಸಿದ ದುರ್ಬಳಕೆ ವಿಧಾನಗಳನ್ನು ವಿಶ್ಲೇಷಿಸಿದೆವು. ನಮಗೆ ತಿಳಿದಿರುವ ಮಟ್ಟಿಗೆ, ಆ ಮಾದರಿ ದಾಳಿಗಳಲ್ಲಿ ಏಜೆಂಟ್‌ಗಳು 10 ಹೊಸ ದುರ್ಬಳಕೆ ವಿಧಾನಗಳನ್ನು ಬಳಸಿದ್ದವು. ಈ ದುರ್ಬಳಕೆ ವಿಧಾನಗಳನ್ನು ಹೊರಗಿನ ಕರ್ನೆಲ್ ದುರ್ಬಳಕೆ ತಜ್ಞರೊಂದಿಗೆ ಹಂಚಿಕೊಂಡೆವು. ಅವರಿಗೂ ಈ ವಿಧಾನಗಳು ಹೊಸದಾಗಿದ್ದವು.

ಆ 10 ವಿಧಾನಗಳಲ್ಲಿ ಎರಡು, ಗುರಿ ಕರ್ನೆಲ್ ಕ್ಯಾಶ್‌ನಲ್ಲಿ ಹೆಚ್ಚಿನ ಸಂಖ್ಯೆಯ ಆಬ್ಜೆಕ್ಟ್‌ಗಳನ್ನು ಇರಿಸಲು ಮಾಡೆಲ್ ಬಳಸಿದ ಹೊಸ ಸ್ಥಿರ, ಗಾತ್ರ ಹೊಂದಿಸಬಹುದಾದ ಆಬ್ಜೆಕ್ಟ್‌ಗಳಿಗೆ ಸಂಬಂಧಿಸಿವೆ. ಎರಡು ದಾಳಿಯ ವಿಶ್ವಾಸಾರ್ಹತೆ ಹೆಚ್ಚಿಸುವ ಹೊಸ ಮೆಮೊರಿ ಪುಟ ಸಿದ್ಧತಾ ವಿಧಾನಗಳು. ಐದು ನೇರವಾಗಿ ಅಥವಾ ಬೇಕಾದ ಸ್ಥಳಕ್ಕೆ ಬರೆಯುವ ಮೂಲಕ ಪ್ರವೇಶಾಧಿಕಾರ ಹೆಚ್ಚಿಸುವ ಹೊಸ ದತ್ತಾಂಶ-ಮಾತ್ರ ವಿಧಾನಗಳು. ಇನ್ನೊಂದು ಅನಿಯಂತ್ರಿತ ಪ್ರಕಾರ ಗೊಂದಲಕ್ಕೆ ಸಂಬಂಧಿಸಿದೆ. ಸುರಕ್ಷತಾ ಕಾರಣಗಳಿಗಾಗಿ, ಈ ಹೊಸ ದುರ್ಬಳಕೆ ವಿಧಾನಗಳ ಸಂಪೂರ್ಣ ತಾಂತ್ರಿಕ ವಿವರಗಳನ್ನು ಈ ಲೇಖನದಲ್ಲಿ ಹಂಚಿಕೊಳ್ಳುತ್ತಿಲ್ಲ.

ಮುಖ್ಯ ಪಾಠ: ಅತ್ಯಾಧುನಿಕ ಮಾಡೆಲ್‌ಗಳು ತಿಳಿದಿರುವ ದುರ್ಬಲ ಕೋಡ್ ಮಾದರಿಗಳನ್ನು ಗುರುತಿಸುವುದಕ್ಕೆ ಅಥವಾ ಪರಿಚಿತ ದುರ್ಬಳಕೆ ವಿಧಾನಗಳನ್ನಷ್ಟೇ ಬಳಸುವುದಕ್ಕೆ ಸೀಮಿತವಲ್ಲ; ಅವು ಸೃಜನಶೀಲತೆ ಮತ್ತು ಹೊಸ ವಿಧಾನಗಳನ್ನು ಪ್ರದರ್ಶಿಸುತ್ತವೆ.

ದುರ್ಬಲತೆಗಳನ್ನು ಪತ್ತೆಹಚ್ಚಿ ದುರ್ಬಳಕೆ ಮಾಡುವ ವೆಚ್ಚವನ್ನು ಅಳೆಯುವುದು ಮತ್ತು ಆ ಪುರಾವೆಯ ಆಧಾರದಲ್ಲಿ ರಕ್ಷಣಾತ್ಮಕ ಹೂಡಿಕೆಗೆ ದಿಕ್ಕು ನೀಡುವುದು ನಮ್ಮ ತಂಡದ ಧ್ಯೇಯದ ಪ್ರಮುಖ ಭಾಗ. ದಾಳಿಕೋರರು ದುರ್ಬಲತೆಗಳನ್ನು ಬಳಸುವ ಮುನ್ನವೇ ಅವನ್ನು ಸರಿಪಡಿಸಲು ರಕ್ಷಕರಿಗೆ ನೆರವಾಗುವುದು ಮತ್ತು ತಂತ್ರಾಂಶದ ದುರ್ಬಳಕೆಯ ವೆಚ್ಚ ದಾಳಿಕೋರರಿಗೆ ನಿಭಾಯಿಸಲಾಗದಷ್ಟು ಹೆಚ್ಚಾಗುವಂತೆ ಮಾಡುವುದು ನಮ್ಮ ಗುರಿ. ದುರ್ಬಳಕೆಯ ವೆಚ್ಚವನ್ನು ಅಳೆಯುವುದರಿಂದ, ಮಾಡೆಲ್ ಸಾಮರ್ಥ್ಯಗಳು ಹೆಚ್ಚಾದಂತೆ ಈ ಸವಾಲು ಹೇಗೆ ಬದಲಾಗುತ್ತದೆ ಎಂಬುದನ್ನು ನಿರ್ಣಯಿಸಲು ಸಾಧ್ಯವಾಗುತ್ತದೆ. ಈ ವಿಭಾಗದಲ್ಲಿ, ನಮ್ಮ ಕಾರ್ಯಪ್ರವಾಹ ನಡೆಸಿದ ವೆಚ್ಚವನ್ನು ಗುರುತಿಸಿದ ದುರ್ಬಲತೆಗಳಿಗೆ ದೋಷ ಪತ್ತೆ ಬಹುಮಾನ ಕಾರ್ಯಕ್ರಮಗಳು ನೀಡುವ ಮೊತ್ತಗಳೊಂದಿಗೆ ಹೋಲಿಸುತ್ತೇವೆ.

ನಮ್ಮ ಪ್ರಯೋಗದ ಗುರಿ ವರ್ಚುವಲ್ ಯಂತ್ರಗಳಲ್ಲಿ ಪ್ರಮಾಣಿತ ಡೆಸ್ಕ್‌ಟಾಪ್ ಕಾರ್ಯಾಚರಣಾ ವ್ಯವಸ್ಥೆ ಇತ್ತು; ಅವುಗಳ ಭದ್ರತೆಯನ್ನು ದುರ್ಬಲಗೊಳಿಸಿರಲಿಲ್ಲ. ಸೈಬರ್ ಭದ್ರತಾ ಸ್ಪರ್ಧೆಗಳು (ಉದಾ. Pwn2Own⁠(ಹೊಸ ಕಿಟಕಿಯಲ್ಲಿ ತೆರೆಯುತ್ತದೆ), TyphoonPWN⁠(ಹೊಸ ಕಿಟಕಿಯಲ್ಲಿ ತೆರೆಯುತ್ತದೆ)) ಬಳಸುವ ಅಪಾಯದ ಚೌಕಟ್ಟನ್ನೇ ಬಳಸಲಾಯಿತು. ಈ ಹಿಂದೆ Pwn2Own ಮತ್ತು TyphoonPWN ಲಿನಕ್ಸ್ ಕರ್ನೆಲ್‌ನ ಸ್ಥಳೀಯ ಪ್ರವೇಶಾಧಿಕಾರ ಹೆಚ್ಚಳದ ದಾಳಿ ತಂತ್ರಗಳಿಗೆ ಕ್ರಮವಾಗಿ $20,000 ಮತ್ತು $70,000 ದೋಷ ಪತ್ತೆ ಬಹುಮಾನ ನೀಡುತ್ತಿದ್ದವು. ಆ ಹಿಂದಿನ ಬಹುಮಾನ ಮೊತ್ತಗಳನ್ನು 948 ದಾಳಿ ತಂತ್ರಗಳಿಗೆ ಅನ್ವಯಿಸಿದರೆ, ಕಾಲ್ಪನಿಕ ಮೌಲ್ಯ $18.9 ಮಿಲಿಯನ್–$66.3 ಮಿಲಿಯನ್ ಆಗುತ್ತದೆ. ಇದು ನಮ್ಮ ಕಾರ್ಯಪ್ರವಾಹದ ವೆಚ್ಚದ ಸುಮಾರು 16ರಿಂದ 55 ಪಟ್ಟು.

ಗೂಗಲ್‌ನ kernelCTF⁠(ಹೊಸ ಕಿಟಕಿಯಲ್ಲಿ ತೆರೆಯುತ್ತದೆ) ದುರ್ಬಲತೆ ಪತ್ತೆ ಬಹುಮಾನ ಕಾರ್ಯಕ್ರಮದಲ್ಲೂ ನಮ್ಮ ಕಾರ್ಯಪ್ರವಾಹವನ್ನು ಪರೀಕ್ಷಿಸಿದೆವು. ಇದರಲ್ಲಿ ದಾಳಿ ಸಾಧ್ಯವಿರುವ ಭಾಗಗಳನ್ನು ಕಡಿಮೆ ಮಾಡಿ ಭದ್ರತೆ ಬಲಪಡಿಸಿದ ಲಿನಕ್ಸ್ ಕರ್ನೆಲ್ ಗುರಿಯಾಗಿರುತ್ತದೆ. kernelCTF ಪರಿಸರದಲ್ಲಿ ಇತ್ತೀಚಿನ ಲಿನಕ್ಸ್ ಕರ್ನೆಲ್ ಆವೃತ್ತಿಯ ಮೇಲೆ ಕಾರ್ಯಪ್ರವಾಹವನ್ನು ಚಲಾಯಿಸಿ, 25 ಮಾಹಿತಿ ಸೋರಿಕೆ ಪರಿಕಲ್ಪನಾ ಪುರಾವೆಗಳು ಮತ್ತು 21 ಸ್ಥಳೀಯ ಪ್ರವೇಶಾಧಿಕಾರ ಹೆಚ್ಚಳದ ದಾಳಿ ತಂತ್ರಗಳನ್ನು ಪಡೆದೆವು. ಈ ಆವೃತ್ತಿ kernelCTFನ SLAB_VIRTUAL ರಕ್ಷಣೆಯೊಂದಿಗೆ ಹೊಂದಿಕೆಯಾಗದ ಕಾರಣ ಅದನ್ನು ಸಂರಚನೆಯಿಂದ ತೆಗೆದೆವು. ಹೋಲಿಕೆಗಾಗಿ, ಇದನ್ನು ಬರೆಯುವ ಹೊತ್ತಿಗೆ 2026ರಲ್ಲಿ kernelCTF ದೃಢೀಕೃತವಾದ 26 ಶೂನ್ಯ-ದಿನದ LPE ದಾಳಿ ತಂತ್ರಗಳನ್ನು ಸ್ವೀಕರಿಸಿತ್ತು. ಇಡೀ ಅಭಿಯಾನಕ್ಕೆ ಒಟ್ಟು 112 ಗಂಟೆಗಳು ಮತ್ತು API ಕ್ರೆಡಿಟ್‌ಗಳಲ್ಲಿ ಸುಮಾರು $32,936 ವೆಚ್ಚವಾಯಿತು. API ವೆಚ್ಚದಲ್ಲಿ 83.7% ದುರ್ಬಲತೆಗಳ ಪತ್ತೆಗೆ ತಗುಲಿತು. ಆ 21 ದುರ್ಬಲತೆಗಳನ್ನು ಕಾರ್ಯಕ್ರಮ ಸ್ವೀಕರಿಸಿದರೆ, ಸುಮಾರು $1.5 ಮಿಲಿಯನ್ ಬಹುಮಾನ ಸಿಗುತ್ತದೆ. ಇದು ವೆಚ್ಚದ ಸುಮಾರು 45 ಪಟ್ಟು.

ಮುಖ್ಯ ಪಾಠ: ಸಾರ್ವಜನಿಕ ಬಹುಮಾನ ಮೊತ್ತಗಳ ಆಧಾರದಲ್ಲಿ, ಈ ಸಂಶೋಧನೆಯ ಸಮಯದಲ್ಲಿ ಲಭ್ಯವಿದ್ದ ಸೈಬರ್ ಸಾಮರ್ಥ್ಯದ ಮಾಡೆಲ್‌ಗಳೊಂದಿಗೆ ನಮ್ಮ ದುರ್ಬಲತೆ ಸಂಶೋಧನಾ ಕಾರ್ಯಪ್ರವಾಹವು ವೆಚ್ಚ ಕಳೆದ ನಂತರವೂ ಲಾಭದಾಯಕವಾಗಿತ್ತು. ದಾಳಿಕೋರರಿಗೆ ದುರ್ಬಳಕೆಯ ವೆಚ್ಚ ನಿಭಾಯಿಸಲಾಗದಷ್ಟು ಹೆಚ್ಚಾಗುವಂತೆ ಮಾಡಲು, ರಕ್ಷಕರು ತಮ್ಮ ತಂತ್ರಾಂಶವನ್ನು ಮುಂಚಿತವಾಗಿಯೇ ವಿಶ್ಲೇಷಿಸಬೇಕು.

ದುರ್ಬಳಕೆ ಸಾಧ್ಯತೆಯ ಮೌಲ್ಯಮಾಪನದ ವೇಳೆ, ExploitDev ಏಜೆಂಟ್‌ಗಳಿಗೆ ದುರ್ಬಲತೆಯ ವರದಿಯನ್ನು ನೀಡಿ, ಪೂರ್ಣವಾಗಿ ಕಾರ್ಯನಿರ್ವಹಿಸುವ ದಾಳಿ ತಂತ್ರವನ್ನು ರಚಿಸುವ ಹೊಣೆ ವಹಿಸಲಾಯಿತು. ರೂಟ್ ಶೆಲ್ ಯಶಸ್ವಿಯಾಗಿ ದೊರೆತರೆ, ಆ ದುರ್ಬಲತೆಯನ್ನು ದುರ್ಬಳಕೆ ಮಾಡಲಾಗಿದೆ ಎಂದು ನಮ್ಮ ಕಾರ್ಯಪ್ರವಾಹ ಗುರುತಿಸುತ್ತಿತ್ತು. ಆರಂಭಿಕ ಪ್ರಯೋಗವೊಂದರಲ್ಲಿ, ದುರ್ಬಳಕೆ ಹಂತವು 200 ಯಶಸ್ವಿ ಸ್ಥಳೀಯ ಪ್ರವೇಶಾಧಿಕಾರ ಹೆಚ್ಚಳದ ದಾಳಿ ತಂತ್ರಗಳನ್ನು ವರದಿ ಮಾಡಿತು. ಆದರೆ ಮಾನವ ಪರಿಶೀಲನೆಯ ಬಳಿಕ, ಇವುಗಳಲ್ಲಿ 20 ತಂತ್ರಗಳು ನೀಡಲಾದ ದುರ್ಬಲತೆಯ ಬದಲು ಬೇರೆ ಶೂನ್ಯ-ದಿನದ ದುರ್ಬಲತೆಯ ಮೂಲಕ ರೂಟ್ ಪ್ರವೇಶಾಧಿಕಾರ ಪಡೆದಿದ್ದವು ಎಂದು ಕಂಡುಹಿಡಿದೆವು. ಏಜೆಂಟ್‌ಗಳ ದುರ್ಬಳಕೆ ಯಶಸ್ವಿಯಾದರೂ ಅದನ್ನು ಸರಿಯಾಗಿ ದೃಢೀಕರಿಸಬೇಕೆಂದು ಇದು ಸೂಚಿಸುತ್ತದೆ.

ಬಳಿಕ ನಾವು ಕಾರ್ಯದ ನಿರ್ಬಂಧಗಳನ್ನು ಬಿಗಿಗೊಳಿಸಿ, ಪ್ರತಿ ಅಂತಿಮ ದಾಳಿ ತಂತ್ರವೂ ಅದಕ್ಕೆ ನೀಡಲಾದ ದುರ್ಬಲತೆಯನ್ನೇ ಬಳಸಿದೆ ಎಂದು ದೃಢಪಡಿಸುವ ಸ್ವತಂತ್ರ ಪರಿಶೀಲನೆಯನ್ನು ಸೇರಿಸಿದೆವು.

ಮುಖ್ಯ ಪಾಠ: ಸ್ವಾಯತ್ತ ಭದ್ರತಾ ಸಂಶೋಧನೆಯಲ್ಲಿ ಫಲಿತಾಂಶವನ್ನಷ್ಟೇ ಅಲ್ಲ, ಅದನ್ನು ಸಾಧಿಸಿದ ಮಾರ್ಗವನ್ನೂ ಪರಿಶೀಲಿಸಿ. ಪ್ರತ್ಯೇಕೀಕರಣ, ಮೇಲ್ವಿಚಾರಣೆ ಮತ್ತು ಸ್ವತಂತ್ರ ಪರಿಶೀಲನೆಗಳು ಅಗತ್ಯ ನಿಯಂತ್ರಣ ಕ್ರಮಗಳು.

ಸಂಶೋಧನೆಯ ಆರಂಭದಲ್ಲಿ, ಏಜೆಂಟ್‌ನ ಸೈಬರ್ ಸಾಮರ್ಥ್ಯ ಹೆಚ್ಚಿಸಲು ಅದರ ಸುತ್ತ ವ್ಯಾಪಕ ಸಮನ್ವಯ ವ್ಯವಸ್ಥೆ ನಿರ್ಮಿಸಬೇಕೇ ಎಂಬ ವಿನ್ಯಾಸ ಆಯ್ಕೆಯನ್ನು ಪರಿಶೀಲಿಸಿದೆವು. ಹೆಚ್ಚು ಸಮರ್ಥ ಮಾಡೆಲ್‌ಗಳಿಗೆ ಕಡಿಮೆ ಸಮನ್ವಯ ಮತ್ತು ಮಾರ್ಗದರ್ಶನ ಸಾಕು ಎಂದು ನಮ್ಮ ಫಲಿತಾಂಶ ಸೂಚಿಸಿತು. ಅಲ್ಲದೆ, ಸಿಗುವ ಅಲ್ಪ ಸುಧಾರಣೆ ನಿರ್ವಹಣೆಯ ವೆಚ್ಚಕ್ಕೆ ತಕ್ಕುದಲ್ಲ. ಹೀಗಾಗಿ ವ್ಯಾಪಕ ಸಮನ್ವಯ ವ್ಯವಸ್ಥೆಯನ್ನು ತೆಗೆದುಹಾಕಲು ನಿರ್ಧರಿಸಿದೆವು.

ಈ ಪ್ರಯೋಗವು GPT‑5.5 Cyber ಮತ್ತು GPT‑5.6 Cyber ಅನ್ನು ಹೋಲಿಸಿತು. ನಾವು ಗಮನಿಸಿದಂತೆ, ಅಸ್ತಿತ್ವದಲ್ಲಿರುವ ಲಿನಕ್ಸ್ ಕರ್ನೆಲ್ ದುರ್ಬಳಕೆ ತಂತ್ರಗಳನ್ನು ಯಾವಾಗ ಮತ್ತು ಹೇಗೆ ಬಳಸಬೇಕೆಂದು GPT‑5.5 Cyber ಸ್ಥಿರವಾಗಿ ಗುರುತಿಸುತ್ತಿರಲಿಲ್ಲ. ಬಳಿಕ ನಾವು 103 ತಂತ್ರಗಳನ್ನು ಮಾಡೆಲ್‌ಗೆ ಸುಲಭವಾಗಿ ಅರ್ಥವಾಗುವ ರೂಪದಲ್ಲಿ ಸಂಗ್ರಹಿಸಿ, ಏಜೆಂಟ್‌ನ ಪರಿಸರದಲ್ಲಿ ಲಭ್ಯಗೊಳಿಸಿದೆವು ಮತ್ತು ಅವುಗಳನ್ನು ಬಳಸುವಂತೆ ಸೂಚಿಸಿದೆವು. ದುರ್ಬಳಕೆಗೆ ಆಯ್ದ 63 ಸಂಭಾವ್ಯ ದೋಷಗಳಲ್ಲಿ, ಇದರಿಂದ ಯಶಸ್ಸಿನ ಪ್ರಮಾಣ 76.2%ರಿಂದ 88.9%ಕ್ಕೆ ಏರಿತು.

ಇದನ್ನು GPT‑5.6 Cyber ಜೊತೆ ಪುನರಾವರ್ತಿಸಿದಾಗ, ಆ ಮಾಡೆಲ್ ತಾನಾಗಿಯೇ ಸೂಕ್ತ ತಂತ್ರಗಳನ್ನು ಹುಡುಕಿ, ಆಯ್ದು, ಅನ್ವಯಿಸುವಲ್ಲಿ ಹೆಚ್ಚು ಸಮರ್ಥವಾಗಿತ್ತು. ನಾವು ತಂತ್ರ/ಕೌಶಲ್ಯ ಸಮನ್ವಯವನ್ನು ತೆಗೆದುಹಾಕಿದೆವು. ಹೀಗೆ ಕಡಿಮೆ ಸಮನ್ವಯ ಹೊಂದಿದ GPT‑5.6 Cyber ಕಾರ್ಯಪ್ರವಾಹವು, ಹೆಚ್ಚು ಪೂರಕ ವ್ಯವಸ್ಥೆಯಿದ್ದ GPT‑5.5 Cyber ಕಾರ್ಯಪ್ರವಾಹಕ್ಕಿಂತ ಉತ್ತಮವಾಗಿ ಕೆಲಸ ಮಾಡಿತು. GPT‑5.6 Cyberಗೆ ಹೆಚ್ಚುವರಿ ತಂತ್ರಗಳ ಪದರವನ್ನು ಮರಳಿ ಸೇರಿಸಿದಾಗ ಕೇವಲ 1.5 ಶೇಕಡಾ ಅಂಕಗಳ ಅಲ್ಪ ಸುಧಾರಣೆ ಕಂಡುಬಂತು.

ಮುಖ್ಯ ಪಾಠ: ಮೂಲ ಮಾಡೆಲ್‌ನ ಸಾಮರ್ಥ್ಯಗಳು ಬದಲಾದಂತೆ ನಿಮ್ಮ ಸಮನ್ವಯ ಮತ್ತು ಪೂರಕ ವ್ಯವಸ್ಥೆಯನ್ನು ಮರುಮೌಲ್ಯಮಾಪನ ಮಾಡಿ. ಒಂದು ತಲೆಮಾರಿನ ಮಾಡೆಲ್‌ಗೆ ಗಮನಾರ್ಹ ಸುಧಾರಣೆ ನೀಡುವ ಬೆಂಬಲ ವ್ಯವಸ್ಥೆಯು ಹೆಚ್ಚು ಸಮರ್ಥ ಮಾಡೆಲ್‌ಗೆ ಅಲ್ಪ ಪ್ರಯೋಜನವನ್ನಷ್ಟೇ ನೀಡಬಹುದು. ಅದರ ನಿರ್ವಹಣೆಯ ವೆಚ್ಚಕ್ಕೆ ಆ ಪ್ರಯೋಜನ ತಕ್ಕುದೇ ಎಂದು ಮೌಲ್ಯಮಾಪನ ಮಾಡಬೇಕು.

ಆರಂಭದಲ್ಲಿ, ಪ್ರಸ್ತಾವಿತ ತಿದ್ದುಪಡಿಗಳನ್ನು ರಚಿಸಲು ನೇರವಾಗಿ ಸೂಚಿಸಿದಾಗ, ಮಾಡೆಲ್ ಪರಿಕಲ್ಪನಾ ಪುರಾವೆಯ ದಾಳಿಯನ್ನು ತಡೆಯುವ, ಕಾರ್ಯಾತ್ಮಕವಾಗಿ ಸರಿಯಾದ ತಿದ್ದುಪಡಿಗಳನ್ನು ರಚಿಸುತ್ತಿತ್ತು. ಆದರೆ ಕೆಲವೊಮ್ಮೆ ಇತರ ಸಮಸ್ಯೆಗಳು ಬರುತ್ತಿದ್ದವು: ಅಗತ್ಯಕ್ಕಿಂತ ಹೆಚ್ಚು ಕೋಡ್, ಕಾರ್ಯಕ್ಷಮತೆಗೆ ಸಂಭವನೀಯ ಧಕ್ಕೆ, ಕೋಡಿಂಗ್ ಸಂಪ್ರದಾಯಗಳಿಂದ ವಿಚಲನ, ಅಥವಾ ಸಂಬಂಧಿತ ಕೋಡ್‌ನಲ್ಲಿ ಅದೇ ದುರ್ಬಲತೆಯ ಇತರ ರೂಪಗಳನ್ನು ಪರಿಶೀಲಿಸದ ಕಾರಣ ಅಪೂರ್ಣ ತಿದ್ದುಪಡಿಗಳು.

ಹೆಚ್ಚುವರಿ ಸೂಚನೆಗಳು ಮತ್ತು ತಿದ್ದುಪಡಿ ರಚನಾ ಪ್ರಕ್ರಿಯೆಯ ಮರುಪರಿಷ್ಕರಣೆಗಳು ತಿದ್ದುಪಡಿಗಳ ಗುಣಮಟ್ಟವನ್ನು ಸುಧಾರಿಸಿದವು. ಸೂಕ್ತವಾಗಿ ನಿರ್ವಹಿಸಿದರೆ, AI ರಚಿಸುವ ಭದ್ರತಾ ತಿದ್ದುಪಡಿಗಳು ಸರಿಯಾಗಿರಲು, ಕನಿಷ್ಠ ಬದಲಾವಣೆ ಹೊಂದಿರಲು ಮತ್ತು ಅಸ್ತಿತ್ವದಲ್ಲಿರುವ ಕೋಡ್ ಸಂಪ್ರದಾಯಗಳಿಗೆ ಹೊಂದಿಕೆಯಾಗಲು ಸಾಧ್ಯವೆಂದು ಇದು ಸೂಚಿಸುತ್ತದೆ. ಈ ಕ್ಷೇತ್ರದಲ್ಲಿ ಸಂಶೋಧನೆ ಸಕ್ರಿಯವಾಗಿ ನಡೆಯುತ್ತಿದೆ. ಭವಿಷ್ಯದ ಮಾಡೆಲ್‌ಗಳೊಂದಿಗೆ ಇದು ಇನ್ನಷ್ಟು ಸುಲಭ ಮತ್ತು ಪರಿಣಾಮಕಾರಿಯಾಗಲಿದೆ ಎಂದು ನಾವು ನಂಬುತ್ತೇವೆ. ಕೆಲವು ಪ್ರಕರಣಗಳಲ್ಲಿ, ಮಾನವ ತಜ್ಞರು ಬರೆದ ತಿದ್ದುಪಡಿಗಳಲ್ಲಿನ ಸಮಸ್ಯೆಗಳನ್ನೂ ನಮ್ಮ ಸಂಶೋಧನಾ ಪ್ರಾಯೋಗಿಕ ವ್ಯವಸ್ಥೆ ಗುರುತಿಸಿತು. ಅವುಗಳನ್ನು ಮುಖ್ಯ ಕೋಡ್‌ಗೆ ಸೇರಿಸುವ ಮುನ್ನ ಸರಿಪಡಿಸಲಾಯಿತು.

ಮುಖ್ಯ ಪಾಠ: ಮಾಡೆಲ್‌ಗಳು ತಿದ್ದುಪಡಿ ಪ್ರಕ್ರಿಯೆಯನ್ನು ವೇಗಗೊಳಿಸಬಲ್ಲವು. ಆದರೆ ತಿದ್ದುಪಡಿಗಳು ಕಾರ್ಯಾತ್ಮಕ ಮತ್ತು ಕಾರ್ಯಾತ್ಮಕವಲ್ಲದ ಎರಡೂ ಬಗೆಯ ಅಗತ್ಯಗಳನ್ನು ವಿಶ್ವಾಸಾರ್ಹವಾಗಿ ಪೂರೈಸಲು, ತಿದ್ದುಪಡಿ ಕೌಶಲ್ಯಗಳು ಮತ್ತು ಪೂರಕ ವ್ಯವಸ್ಥೆಗಳನ್ನು ಮರುಪರಿಷ್ಕರಿಸಬೇಕಾಗಬಹುದು. ಜೊತೆಗೆ, ಮಾನವರು ಮತ್ತು AI ರಚಿಸಿದ ತಿದ್ದುಪಡಿಗಳನ್ನು ದಾಳಿಕೋರರ ದೃಷ್ಟಿಕೋನದಿಂದ ಪರಿಶೀಲಿಸಲು ಮಾಡೆಲ್‌ಗಳನ್ನು ಬಳಸುವಂತೆ ನಾವು ಶಿಫಾರಸು ಮಾಡುತ್ತೇವೆ. ಇದರಿಂದ ತಿದ್ದುಪಡಿಯನ್ನು ದಾಟುವ ಸಾಧ್ಯತೆ, ಗಮನಿಸದ ಇತರ ದಾಳಿ ಮಾರ್ಗಗಳು ಅಥವಾ ದುರ್ಬಲತೆಯ ಇತರ ರೂಪಗಳಂತಹ ಸಮಸ್ಯೆಗಳನ್ನು ಗುರುತಿಸಬಹುದು.

ನಮ್ಮ kernelCTF ಪ್ರಯೋಗದಲ್ಲಿ, ಲಿನಕ್ಸ್ ಕರ್ನೆಲ್‌ನ 21 ಶೂನ್ಯ-ದಿನದ ದಾಳಿ ತಂತ್ರಗಳ ಜೊತೆಗೆ, ನಮ್ಮ ಪ್ರಾಯೋಗಿಕ ವ್ಯವಸ್ಥೆಯು QEMU TCG ದುರ್ಬಲತೆಯನ್ನೂ ಪತ್ತೆಹಚ್ಚಿ ದುರ್ಬಳಕೆ ಮಾಡಿತು. ವಿಶ್ಲೇಷಕ ಏಜೆಂಟ್‌ಗೆ ವ್ಯವಸ್ಥಾ ಕರೆ ಪ್ರವೇಶ ಕೋಡ್ ವಿಶ್ಲೇಷಿಸುವ ಕೆಲಸ ನೀಡಲಾಗಿತ್ತು. ಪ್ರವೇಶಾಧಿಕಾರ ಬದಲಾವಣೆಗಳನ್ನು ಪ್ರಯೋಗಿಸಲು ಪ್ರೋಗ್ರಾಂಗಳನ್ನು ಬರೆಯುವಾಗ ಅದು ಅನಿರೀಕ್ಷಿತ ಕರ್ನೆಲ್ ಸ್ಥಗಿತವನ್ನು ಎದುರಿಸಿತು. ಅದು ಸ್ಥಗಿತವನ್ನು ಮೌಲ್ಯಮಾಪನ ಮಾಡಿ, QEMUನ ಮೂಲ ಕೋಡ್ ಲಭ್ಯವಿಲ್ಲದಿದ್ದರೂ ಸಮಸ್ಯೆಯ ಮೂಲವನ್ನು QEMU TCGಗೆ ಪತ್ತೆಹಚ್ಚಿತು ಮತ್ತು ವರದಿಯಲ್ಲಿ ಆ ದುರ್ಬಲತೆಯನ್ನು ಸೇರಿಸಿತು. ನಂತರ ExploitDev ಏಜೆಂಟ್ ಈ ದುರ್ಬಲತೆಗೆ ಸ್ಥಳೀಯ ಪ್ರವೇಶಾಧಿಕಾರ ಹೆಚ್ಚಳದ ದಾಳಿ ತಂತ್ರವನ್ನು ಯಶಸ್ವಿಯಾಗಿ ಅಭಿವೃದ್ಧಿಪಡಿಸಿತು. ದಾಳಿ ತಂತ್ರಗಳನ್ನು ಮಾನವ ಪರಿಶೀಲನೆಗೆ ಒಳಪಡಿಸಿದಾಗ ನಾವು ಈ QEMU ದುರ್ಬಲತೆಯನ್ನು ಕಂಡುಹಿಡಿದೆವು. ಮೂಲ QEMU ಯೋಜನೆಯಲ್ಲಿ ಇದನ್ನು ಸರಿಪಡಿಸಲಾಗಿತ್ತು, ಆದರೆ ಪ್ರಯೋಗದಲ್ಲಿ ಬಳಸಿದ ಬಿಡುಗಡೆ ಆವೃತ್ತಿಯಲ್ಲಿ ಸರಿಪಡಿಸಿರಲಿಲ್ಲ ಎಂದು ದೃಢಪಡಿಸಿದೆವು.

ಮುಖ್ಯ ಪಾಠ: ಸೈಬರ್ ಸಾಮರ್ಥ್ಯವಿರುವ ಅತ್ಯಾಧುನಿಕ ಮಾಡೆಲ್‌ಗಳು ಪರೀಕ್ಷಾ ಮೂಲಸೌಕರ್ಯದಲ್ಲಿನ ದುರ್ಬಲತೆಗಳನ್ನು ಪತ್ತೆಹಚ್ಚಬಲ್ಲವು. ದಾಳಿ ಆಧಾರಿತ ದುರ್ಬಲತೆ ಸಂಶೋಧನೆ ಕೈಗೊಳ್ಳುವ ಮೊದಲು ಮೂಲಸೌಕರ್ಯದ ಪ್ರತಿಯೊಂದು ಭಾಗವನ್ನೂ ಪರೀಕ್ಷಿಸಲು ನಾವು ಶಿಫಾರಸು ಮಾಡುತ್ತೇವೆ. ನಾವು ನಮ್ಮ ಮೂಲಸೌಕರ್ಯವನ್ನು ಮುಂಚಿತವಾಗಿಯೇ ಪರೀಕ್ಷಿಸಿದ್ದೇವೆ. Kata, Moby/Docker, gVisor ಮತ್ತು ಇತರ ಯೋಜನೆಗಳಲ್ಲಿನ ಅನೇಕ ದುರ್ಬಲತೆಗಳನ್ನು ಬಹಿರಂಗಪಡಿಸಿ ಸರಿಪಡಿಸಿದ್ದೇವೆ.

ಮಾಡೆಲ್‌ಗಳ ಹೆಚ್ಚುತ್ತಿರುವ ಸಾಮರ್ಥ್ಯವನ್ನು, ಇಂಟರ್ನೆಟ್ ಅನ್ನು ಸುರಕ್ಷಿತವಾಗಿಡುವವರಿಗೆ ದೀರ್ಘಕಾಲೀನ ಪ್ರಯೋಜನವಾಗಿ ಪರಿವರ್ತಿಸುವುದು ನಮ್ಮ ಗುರಿ. ಅತ್ಯಾಧುನಿಕ ಮಾಡೆಲ್‌ಗಳ ಹೆಚ್ಚುತ್ತಿರುವ ಸೈಬರ್ ಸಾಮರ್ಥ್ಯವನ್ನು ಲಿನಕ್ಸ್ ಕರ್ನೆಲ್‌ನಂತಹ ಸಂಕೀರ್ಣ ತಂತ್ರಾಂಶಗಳಲ್ಲಿ ಭದ್ರತಾ ದುರ್ಬಲತೆಗಳನ್ನು ಪರಿಣಾಮಕಾರಿಯಾಗಿ ಹುಡುಕಲು ಬಳಸಬಹುದು ಎಂಬುದನ್ನು ಈ ಸಂಶೋಧನೆ ತೋರಿಸುತ್ತದೆ. ಲಿನಕ್ಸ್ ಮತ್ತು ಇತರ ಮುಕ್ತ ಮೂಲ ಯೋಜನೆಗಳಂತಹ ನಿರ್ಣಾಯಕ ತಂತ್ರಾಂಶ ಯೋಜನೆಗಳ ಭದ್ರತೆಯನ್ನು ಬಲಪಡಿಸುವುದರಿಂದ ಅವುಗಳನ್ನು ಅವಲಂಬಿಸಿರುವ ಅನೇಕ ವ್ಯವಸ್ಥೆಗಳು ಮತ್ತು ಬಳಕೆದಾರರನ್ನು ರಕ್ಷಿಸಬಹುದು.

ಪ್ಯಾಚ್ ದಿ ಪ್ಲಾನೆಟ್ ಮೂಲಕ ಡೇಬ್ರೇಕ್ ಉಪಕ್ರಮದ ಭಾಗವಾದ, ಈ ಸಂಶೋಧನೆಯನ್ನು ಇನ್ನಷ್ಟು ನಿರ್ಣಾಯಕ ತಂತ್ರಾಂಶ ಯೋಜನೆಗಳಿಗೆ ವಿಸ್ತರಿಸಲು ಮತ್ತು ನಿರ್ವಹಣಾಕಾರರು ಹಾಗೂ ಭದ್ರತಾ ಪಾಲುದಾರರೊಂದಿಗೆ ವಿಶ್ವಾಸಾರ್ಹ ಸ್ವಯಂಚಾಲಿತ ದೋಷಸರಿಪಡಿಸುವಿಕೆಯನ್ನು ಅಭಿವೃದ್ಧಿಪಡಿಸಲು ನಾವು ಉದ್ದೇಶಿಸಿದ್ದೇವೆ. ನಿರೀಕ್ಷಿತ ಲಾಭವು ದಾಳಿ ನಡೆಸುವುದನ್ನು ಸಮರ್ಥಿಸದ ಮಟ್ಟವನ್ನು ತಲುಪುವವರೆಗೆ, ದಾಳಿಕೋರರಿಗೆ ಲಭ್ಯವಿರುವ ಅವಕಾಶಗಳನ್ನು ಹಂತಹಂತವಾಗಿ ಕಡಿಮೆ ಮಾಡಲು ಮತ್ತು ದುರ್ಬಲತೆಗಳನ್ನು ಪತ್ತೆಹಚ್ಚಿ ದುರ್ಬಳಕೆ ಮಾಡುವ ವೆಚ್ಚವನ್ನು ಹೆಚ್ಚಿಸಲು ನಾವು ಬಯಸುತ್ತೇವೆ.

ಮುಂದಿನ ತಲೆಮಾರಿನ ಮಾಡೆಲ್‌ಗಳಿಗೆ ಭೇದಿಸುವುದು ಇನ್ನಷ್ಟು ಕಷ್ಟವಾಗುವ ತಂತ್ರಾಂಶವನ್ನು ನಿರ್ಮಿಸಲು ಪ್ರತಿ ತಲೆಮಾರಿನ ಮಾಡೆಲ್‌ಗಳು ನಮಗೆ ನೆರವಾಗಬೇಕು. ಯಾರಾದರೂ ಸಂತೋಷದಿಂದ ಹೊಸ ನಿರ್ಮಾಣಗಳನ್ನು ಮಾಡಬಹುದಾದ ಸುರಕ್ಷಿತ ಇಂಟರ್ನೆಟ್ ರೂಪಿಸುವ ನಿಟ್ಟಿನಲ್ಲಿ ನಾವು ಕೆಲಸ ಮುಂದುವರಿಸುತ್ತೇವೆ.