Seribu laluan ke root kini ditutup

Penyelidikan keselamatan yang dahulunya memerlukan siasatan berasingan dan berterusan bagi setiap dapatan kini semakin boleh dijalankan sebagai proses yang sistematik. Dokumen ini meneroka salah satu usaha kami dalam bidang ini.

Penemuan kerentanan semakin mudah diperluas skalanya, tetapi penetapan keutamaan dan pengesahan masih menjadi kekangan operasi. Kami membina prototaip untuk mencari kelemahan keselamatan dalam kernel Linux di dalam persekitaran penyelidikan terkawal. Prototaip kami mengenal pasti dan menganalisis 2,308 calon dapatan kernel Linux, menghasilkan semula 1,724 kerentanan secara dinamik, serta menghasilkan 948 eksploit peningkatan keistimewaan setempat (LPE) yang boleh membolehkan pengguna setempat tanpa keistimewaan memperoleh akses root.

Kami menggunakan bukti ini untuk mengutamakan kerentanan bagi pelaporan dan membangunkan calon tampalan untuk semakan penyelenggara. Mengikut panduan komuniti kernel Linux, kami bermula dengan kerentanan kritikal dan sedang bekerjasama dengan rakan kongsi Patch the Planet untuk menyediakan laporan serta tampalan selanjutnya.

Pada Jun, sebagai sebahagian daripada inisiatif Patch the Planet, kami berkongsi bahawa GPT‑5.5 Cyber telah mengenal pasti kerentanan kernel Linux dan membangunkan 24 eksploit peningkatan keistimewaan setempat untuk mengesahkan serta melaporkannya. Kami memperluas usaha itu menjadi aliran kerja yang dikuasakan oleh model siber akan datang, meliputi penemuan kerentanan, pengesahan dinamik, penilaian keboleheksploitan dan penjanaan tampalan. Setelah selesai, penyelidik manusia menyemak output dan melaporkan kerentanan yang ditemui bersama tampalannya.

Kernel Linux menjadi asas kepada peranti Android, infrastruktur awan, superkomputer dan sistem lain yang digunakan oleh berbilion orang. Dengan lebih 40 juta baris kod, kernel ini mendedahkan permukaan serangan yang luas melalui panggilan sistem, rangkaian, sistem fail dan pemacu peranti. Kami memilih Linux untuk mengkaji sejauh mana model perbatasan dapat mencari kerentanan dan menunjukkan kesannya terhadap keselamatan dalam pangkalan kod yang sebesar dan sepenting ini.

Peringkat awal penemuan kerentanan menghasilkan ribuan calon dapatan, terlalu banyak untuk disemak dan ditriage secara manual oleh penyelidik keselamatan. Cabaran operasi aliran kerja penemuan kerentanan kami bukanlah penemuan itu sendiri, tetapi menentukan dapatan yang boleh dihasilkan semula, sempadan keselamatan yang dilanggarnya, dan dapatan yang paling wajar mendapat perhatian awal penyelenggara.

Misi pasukan Siber OpenAI ialah membantu melindungi perisian yang menjadi sandaran dunia. Kami melaporkan kos API bagi setiap peringkat untuk membantu penyelidik menilai sumber yang diperlukan untuk mengulangi dan memperluas usaha ini. Kos ini mencerminkan model, konfigurasi sasaran dan aliran kerja yang digunakan dalam penilaian ini. Matlamat kami yang lebih luas ialah membantu pihak pertahanan mencari dan membaiki kerentanan, mengurangkan peluang yang tersedia kepada penyerang serta meningkatkan kos mereka untuk mengeksploitasi perisian.

Akhir sekali, perlu diingat bahawa penyelidikan ini menumpukan pada metodologi dan pengukuran keupayaan model, bukan kos. Kami menjangkakan bahawa kejuruteraan harnes yang mencukupi boleh mengurangkan kos setiap peringkat dengan ketara; oleh itu, kos yang kami laporkan lebih merupakan had atas.

Prototaip penyelidikan kerentanan kami ialah aliran kerja lima peringkat yang menggunakan model siber akan datang sebagai terasnya:

• Penemuan kerentanan: Ejen mengenal pasti bahagian pangkalan kod yang berkaitan dengan keselamatan dan mengimbasnya untuk mendapatkan calon dapatan.

• Pengesahan dinamik: Ejen cuba menghasilkan semula setiap calon dalam persekitaran terasing dan menyimpan bukti masa jalan. Langkah ini menghasilkan senarai kerentanan yang telah dihasilkan semula dan disahkan.

• Penilaian keboleheksploitan: Ejen menguji sama ada kerentanan yang disahkan boleh membolehkan pendedahan maklumat atau peningkatan keistimewaan setempat.

• Penjanaan tampalan: Ejen menjana tampalan yang menangani setiap kerentanan yang dikenal pasti.

• Semakan manusia: Penyelidik keselamatan menyemak eksploit, tampalan dan tahap keterukan yang dicadangkan sebelum melaporkannya kepada penyelenggara.

Pada akhir aliran kerja, sistem menghimpunkan analisis punca utama, bukti konsep minimum yang mencetuskan ranap, calon tampalan dan eksploit lengkap untuk membantu penyelidik manusia menilai tahap keterukan kerentanan serta menyumbangkan pembaikan kepada projek huluan.

Bukan setiap baris kod dalam kernel Linux berkaitan dengan keselamatan. Aliran kerja kami menggunakan pasukan ejen Peninjau untuk mengenal pasti sasaran audit bernilai tinggi, yang kemudiannya diserahkan kepada ejen Penganalisis untuk pengimbasan kerentanan.

Ejen Peninjau meneliti setiap folder dan fail serta menentukan sasaran untuk diaudit berdasarkan kebolehcapaian oleh pengguna berkeistimewaan rendah dan kaitannya dengan keselamatan.

Peringkat ini mengenal pasti 5,034 sasaran audit yang merangkumi sekitar 2.8 juta baris kod, iaitu kira-kira 7% daripada keseluruhan pangkalan kod kernel Linux. Ini mengurangkan kos audit keselamatan dengan ketara berbanding analisis seluruh pangkalan kod. Langkah ini menelan kos $3,426 dalam kredit API.

Seterusnya, ejen penganalisis menganalisis setiap sasaran audit dan menghasilkan calon dapatan menggunakan aliran kerja yang serupa dengan pemalam Codex Security⁠(dibuka dalam tetingkap baru). Secara umum, ejen penganalisis membaca kod sasaran audit yang ditugaskan untuk memahami cara kod itu berfungsi, mengenal pasti model ancamannya dan mencari kerentanan di dalamnya.

Dalam masa 12 jam, ejen penganalisis menghasilkan 2,308 calon dapatan selepas pendua disingkirkan. Peringkat ini menelan kos $316,549 dalam kredit API.

Calon dapatan tidak sama dengan kerentanan yang telah disahkan. Pada skala ini, menyiasat setiap laporan secara manual tidak praktikal bagi pasukan penyelidik kami.

Oleh itu, kami menumpukan pada pengesahan dapatan yang a) boleh dicapai oleh pengguna berkeistimewaan rendah, b) tidak memerlukan keupayaan khas, dan c) menghasilkan bukti kerosakan memori yang boleh diukur.

Bagi setiap calon, ejen triage menjana bukti konsep dan menjalankannya dalam mesin maya terasing yang menjalankan kernel Linux dengan Kernel Address Sanitizer (KASAN). Ejen itu memerhatikan output program dan konsol sistem, kemudian memperhalus bukti konsep secara berulang sehingga tingkah laku yang dilaporkan berjaya dihasilkan semula atau semua cara yang berpotensi mencetuskannya telah dicuba.

Dalam masa 30 jam, sistem kami menghasilkan semula 1,724 kerentanan, iaitu ~74.7% daripada 2,308 calon dapatan. Semakan kod statik sahaja boleh menghasilkan positif palsu. Oleh itu, kami kagum dengan ketepatan ejen penganalisis dan keberkesanan ejen triage yang membina bukti konsep berfungsi secara autonomi bagi hampir tiga perempat daripada calon dapatan.

Kebanyakan dapatan selebihnya sama ada memerlukan keistimewaan lebih tinggi atau gagal dihasilkan semula dalam tempoh yang diperuntukkan akibat keadaan perlumbaan yang sukar, syarat pencetus tertentu (cth. kegagalan peruntukan yang diperlukan pada baris tertentu), atau pengesahan yang memakan masa (cth. lilitan semula kiraan rujukan). Hanya 3.1% berpunca daripada analisis model yang salah, apabila kerentanan yang dilaporkan mengandaikan keadaan yang mustahil berlaku.

Peringkat pengesahan menelan jumlah kos $73,330 dalam kredit API. Dalam aliran kerja pengesahan kami, bukti konsep perlu dijana untuk mengesahkan sama ada sesuatu calon benar-benar merupakan kerentanan. Kami mendapati proses ini lebih mahal daripada membuat cadangan berdasarkan analisis statik sahaja, dan kos percubaan untuk mengesahkan positif benar dan positif palsu adalah hampir sama. Oleh itu, menyingkirkan positif palsu lebih awal dalam aliran kerja menjadikan proses ini jauh lebih cekap dari segi kos.

Pengesahan menentukan bahawa kerentanan benar-benar wujud, tetapi bukan seberapa segera kerentanan itu perlu ditangani. Contohnya, kerentanan yang boleh membolehkan peningkatan keistimewaan setempat wajar diberi keutamaan lebih tinggi berbanding kerentanan yang hanya boleh menyebabkan penafian perkhidmatan setempat. Dengan 1,724 kerentanan yang disahkan, tugas seterusnya ialah mengenal pasti dapatan yang mempunyai potensi kesan keselamatan paling besar.

Ejen saringan awal menyemak setiap laporan, log ranap dan kod sumber berkaitan secara statik. Kriteria saringannya sengaja dilonggarkan agar dapatan yang berpotensi serius tidak disingkirkan, sambil menapis kes yang tiada laluan eksploitasi yang munasabah. Ini mengecilkan hasil kepada 313 calon kebocoran maklumat dan 1,238 calon peningkatan keistimewaan setempat.

Ejen pembangunan eksploit (ExploitDev) kemudian menguji calon itu dalam mesin maya terasing yang dikonfigurasi dengan perlindungan yang diaktifkan dalam edaran Linux standard, termasuk Supervisor Mode Execution Prevention (SMEP), Supervisor Mode Access Prevention (SMAP), Kernel Address Space Layout Randomization (KASLR) dan HARDENED_USERCOPY. Ini membantu mengelakkan penilaian tidak realistik yang bergantung pada penyahaktifan perlindungan.

Ejen menghasilkan 291 bukti konsep kebocoran maklumat dan 1,169 eksploit peningkatan keistimewaan setempat yang berfungsi dan boleh memberikan akses root kepada pengguna setempat tanpa keistimewaan.

Kami menjalankan analisis varian dan membangunkan 948 tampalan berbeza untuk kerentanan yang mendasari eksploit itu. Kami menggunakan angka itu untuk menentukan jumlah keseluruhan LPE unik. Pembangunan eksploit yang berjaya menelan kos purata $359 dalam kredit. Ini menjadikan pengujian keboleheksploitan kerentanan yang ditemui agak murah bagi pihak pertahanan.

Ejen saringan kerentanan awal menelan kos $44,194 dalam kredit API. Peringkat eksploitasi menelan jumlah kos $775,929 dalam kredit API, iaitu $84,929 untuk memproses calon kebocoran maklumat dan $691,000 untuk calon peningkatan keistimewaan setempat.

Secara purata, kos memproses calon peningkatan keistimewaan setempat ($558) ialah kira-kira dua kali ganda kos memproses calon kebocoran maklumat ($271). Ini kerana PoC kebocoran maklumat diteruskan daripada peringkat pengesahan dan memerlukan lebih sedikit pengubahsuaian untuk digunakan dalam eksploit. Sebaliknya, pembangunan eksploit daripada calon LPE memerlukan banyak langkah tambahan, seperti merancang strategi eksploitasi, mengenal pasti objek rentan untuk digunakan, memintas mitigasi dan banyak lagi. Kami turut mendapati percubaan eksploitasi yang gagal ($3,922 bagi 69 kes) menelan kos jauh lebih tinggi berbanding yang berjaya ($360 bagi 1,169 kes). Ini berpunca daripada beberapa kerentanan yang sukar dieksploitasi (cth. keadaan perlumbaan). Menetapkan syarat berhenti yang munasabah, seperti menghentikan percubaan selepas tiada kemajuan selama satu jam, boleh mengurangkan kos ExploitDev dengan ketara.

Bagi setiap kerentanan yang disahkan, sistem turut menjana tampalan. Kami memberikan kod sumber yang berkaitan kepada model dan mengarahkannya supaya mengikut amalan terbaik penulisan tampalan, seperti menjalankan semakan statik pada tampalan, mengikuti amalan pembangunan perisian dalam kod sekitarnya dan melakukan analisis varian untuk memastikan tampalan itu lengkap.

Mengikut saranan komuniti kernel Linux, kami telah menghantar ratusan laporan dan tampalan bagi kerentanan kritikal dan sedang bekerjasama dengan rakan kongsi Patch the Planet untuk menghantar tampalan selebihnya secara beransur-ansur. Usaha ini merupakan sebahagian daripada komitmen Daybreak kami yang lebih luas untuk menyokong projek sumber terbuka.

Dalam bahagian ini, kami berkongsi pembelajaran, refleksi dan analisis tambahan daripada penyelidikan ini.

Sepanjang penyelidikan ini, kami melihat penyelenggara Linux bertindak pantas untuk membaiki kerentanan dan melindungi pengguna. Imbasan dilakukan pada kernel Linux terkini pada pertengahan Oktober 2026. Apabila imbasan autonomi dan analisis manual selesai selepas 10 hari, 61 LPE telah pun ditampal dalam projek huluan, 43 mempunyai tampalan dalam peringkat persediaan, dan 299 sedang dilaporkan serta dibincangkan secara terbuka.

Kami amat menghargai penyelenggara Linux yang bertindak segera untuk menampal isu yang dikenal pasti, serta komuniti keselamatan yang lebih luas yang turut menyumbangkan dapatan mereka. Tindak balas bersama inilah yang diperlukan untuk melindungi perisian dunia. Kadar pendedahan dan penampalan kerentanan yang pantas turut menekankan betapa pentingnya pengguna dan syarikat memastikan perisian sentiasa dikemas kini.

Inti pati: Triage automatik perlu mengambil kira kitaran penampalan yang pantas. Mengesahkan semula dapatan berdasarkan kod terkini, termasuk kod baharu yang digabungkan selepas imbasan asal, membantu mengelakkan laporan pendua atau lapuk. Ini menumpukan perhatian pada kerentanan yang belum diselesaikan dan memberikan penyelenggara bukti yang boleh diambil tindakan tanpa menambah beban semakan yang tidak perlu.

Semasa kami membangunkan aliran kerja ini pada akhir Julai 2026, GPT‑5.6 Sol menemui dan mengeksploitasi 166 kerentanan LPE unik dengan kos keseluruhan $513,690 dalam kredit API.

Dalam imbasan kedua pada pertengahan Oktober 2026, model siber yang lebih baharu menemui dan mengeksploitasi 948 kerentanan LPE unik dengan kos keseluruhan $1,213,430 dalam kredit API. Bagi kedua-dua kempen, kami mengimbas cabang master kernel Linux terkini pada waktu itu.

Inti pati: Imbas semula kod yang telah diaudit apabila keupayaan model meningkat. Model yang lebih berkeupayaan mungkin menemukan kerentanan yang terlepas pandang oleh model terdahulu, walaupun menggunakan harnes penyelidikan yang sama.

Kami mengambil sampel 166 eksploit yang dibangunkan oleh ejen dan menganalisis teknik eksploitasi yang digunakan. Setakat pengetahuan kami, ejen menggunakan 10 teknik eksploitasi baharu dalam sampel eksploit itu. Kami berkongsi teknik eksploitasi tersebut dengan pakar eksploitasi kernel pihak ketiga, dan teknik itu juga baharu bagi mereka.

Daripada 10 teknik itu, dua merupakan objek anjal persisten baharu yang digunakan model untuk menyembur objek ke dalam cache kernel sasaran; dua ialah teknik penyusunan halaman memori baharu untuk meningkatkan kebolehpercayaan eksploit; lima ialah teknik baharu berasaskan data sahaja untuk memperoleh peningkatan keistimewaan secara langsung atau melalui penulisan arbitrari; dan satu lagi melibatkan kekeliruan jenis arbitrari. Atas sebab keselamatan, kami tidak berkongsi butiran teknikal penuh teknik eksploitasi baharu ini dalam siaran ini.

Inti pati: Model perbatasan bukan sekadar memadankan corak kod rentan yang diketahui atau hanya menggunakan teknik eksploitasi sedia ada; model ini menunjukkan kreativiti dan pendekatan baharu.

Bahagian penting dalam misi pasukan kami ialah mengukur kos mencari dan mengeksploitasi kerentanan serta menggunakan bukti itu untuk memandu pelaburan pertahanan. Matlamat kami ialah membantu pihak pertahanan membaiki kerentanan sebelum penyerang dapat menggunakannya, serta menjadikan kos eksploitasi perisian terlalu tinggi untuk penyerang. Pengukuran kos eksploitasi membantu kami menilai perubahan cabaran itu apabila keupayaan model meningkat. Dalam bahagian ini, kami membandingkan kos larian aliran kerja kami dengan ganjaran program ganjaran pepijat bagi kerentanan yang dikenal pasti.

Mesin maya sasaran dalam eksperimen kami menjalankan sistem pengendalian desktop standard, bukan sasaran yang dilemahkan, dengan model ancaman yang sama seperti yang digunakan dalam pertandingan keselamatan siber (cth. Pwn2Own⁠(dibuka dalam tetingkap baru), TyphoonPWN⁠(dibuka dalam tetingkap baru)). Sebelum ini, Pwn2Own dan TyphoonPWN masing-masing menawarkan ganjaran pepijat sebanyak $20,000 dan $70,000 untuk eksploit peningkatan keistimewaan setempat kernel Linux. Jika jumlah ganjaran terdahulu itu digunakan untuk 948 eksploit tersebut, nilai hipotetikalnya ialah $18.9 juta–$66.3 juta, kira-kira 16 hingga 55 kali ganda kos aliran kerja kami.

Kami turut menguji aliran kerja kami terhadap program ganjaran kerentanan kernelCTF⁠(dibuka dalam tetingkap baru) Google, yang menggunakan kernel Linux dengan keselamatan diperkukuh dan permukaan serangan dikurangkan sebagai sasaran. Kami menjalankan aliran kerja pada versi kernel Linux terkini dalam persekitaran kernelCTF dan memperoleh 25 bukti konsep kebocoran maklumat serta 21 eksploit peningkatan keistimewaan setempat. Versi kernel ini tidak serasi dengan mitigasi SLAB_VIRTUAL dalam kernelCTF, jadi kami menggugurkan mitigasi itu daripada konfigurasi. Sebagai perbandingan, setakat penulisan ini, 26 eksploit LPE 0-day yang disahkan telah diterima oleh kernelCTF pada tahun 2026. Keseluruhan kempen mengambil masa 112 jam dengan kos kira-kira $32,936 dalam kredit API, dan penemuan kerentanan menyumbang 83.7% daripada kos API itu. Jika 21 kerentanan itu diterima oleh program tersebut, ganjarannya akan berjumlah kira-kira $1.5 juta, iaitu sekitar 45 kali ganda kosnya.

Inti pati: Berdasarkan jumlah bayaran ganjaran yang diumumkan, aliran kerja penyelidikan kerentanan kami yang menggunakan model berkeupayaan siber semasa menghasilkan keuntungan bersih pada masa penyelidikan ini. Pihak pertahanan perlu menganalisis perisian mereka secara proaktif agar kos untuk mengeksploitasinya menjadi terlalu tinggi bagi penyerang.

Semasa penilaian keboleheksploitan, ejen ExploitDev diberikan laporan kerentanan dan ditugaskan untuk membina eksploit yang berfungsi sepenuhnya. Aliran kerja kami menandakan kerentanan sebagai berjaya dieksploitasi jika cangkerang root berjaya diperoleh. Dalam larian awal, peringkat eksploitasi melaporkan 200 eksploit peningkatan keistimewaan setempat yang berjaya. Namun, selepas semakan manusia, kami mendapati bahawa 20 daripadanya memperoleh keistimewaan root melalui kerentanan 0-day yang berbeza daripada yang ditugaskan. Ini menunjukkan bahawa eksploitasi yang berjaya oleh ejen pun masih memerlukan pengesahan yang sewajarnya.

Kami kemudiannya memperketat kekangan tugas dan menambah semakan bebas untuk mengesahkan bahawa setiap eksploit akhir menggunakan kerentanan yang ditugaskan kepadanya.

Inti pati: Untuk penyelidikan keselamatan autonomi, sahkan cara sesuatu hasil dicapai selain mengesahkan hasil itu sendiri; pengasingan, pemantauan dan semakan bebas merupakan kawalan yang diperlukan.

Pada awal penyelidikan ini, kami meneroka keputusan reka bentuk sama ada perlu membina orkestrasi yang kompleks di sekeliling ejen untuk meningkatkan keupayaan sibernya. Hasil kami menunjukkan bahawa model yang lebih berkeupayaan memerlukan orkestrasi dan bimbingan yang lebih sedikit. Tambahan pula, peningkatan yang kecil tidak berbaloi dengan kos penyelenggaraan. Oleh itu, kami memutuskan untuk membuang orkestrasi yang kompleks itu.

Eksperimen ini membandingkan GPT‑5.5 Cyber dengan GPT‑5.6 Cyber. Berdasarkan pemerhatian kami, GPT‑5.5 Cyber tidak dapat mengenal pasti secara konsisten bila dan bagaimana teknik eksploitasi kernel Linux sedia ada perlu digunakan. Kami kemudian menghimpunkan 103 teknik dalam format yang mudah digunakan model, menyediakannya dalam persekitaran ejen dan mengarahkan ejen untuk menggunakannya. Bagi 63 calon eksploitasi, langkah ini meningkatkan kadar kejayaan daripada 76.2% kepada 88.9%.

Apabila kami mengulangi eksperimen ini dengan GPT‑5.6 Cyber, model itu lebih mampu mencari, memilih dan menggunakan teknik yang relevan dengan sendirinya. Kami membuang orkestrasi teknik/kemahiran, dan aliran kerja GPT‑5.6 Cyber dengan orkestrasi ringan ini mengatasi aliran kerja GPT‑5.5 Cyber yang mempunyai lebih banyak struktur sokongan. Menambah semula lapisan teknik tambahan untuk GPT‑5.6 Cyber hanya memberikan peningkatan kecil sebanyak 1.5 mata peratusan.

Inti pati: Nilai semula orkestrasi dan harnes anda apabila keupayaan model asas berubah. Struktur sokongan yang meningkatkan prestasi satu generasi model dengan ketara mungkin hanya menambah sedikit nilai bagi model yang lebih berkeupayaan, dan perlu dinilai dengan mengambil kira kos penyelenggaraannya.

Pada mulanya, apabila diarahkan terus untuk menjana calon tampalan, model menghasilkan tampalan yang berfungsi dengan betul dan menyekat bukti konsep, tetapi kadangkala menimbulkan isu lain: kod berlebihan, potensi penurunan prestasi, penyimpangan daripada konvensyen pengekodan, atau kegagalan meneliti kod berkaitan untuk varian kerentanan yang sama, lalu menghasilkan tampalan yang tidak lengkap.

Arahan tambahan dan penambahbaikan berulang pada proses penjanaan tampalan meningkatkan kualiti tampalan. Ini menunjukkan bahawa dengan pengendalian yang betul, tampalan keselamatan janaan AI boleh menjadi tepat, minimum dan konsisten dengan konvensyen kod sedia ada. Ini ialah bidang penyelidikan yang aktif, dan kami percaya proses ini akan menjadi lebih mudah serta berkesan dengan model masa depan. Dalam beberapa kes, prototaip penyelidikan kami turut dapat mengenal pasti isu dalam tampalan yang ditulis oleh pakar manusia, yang kemudiannya dibetulkan sebelum digabungkan.

Inti pati: Model boleh mempercepat proses penampalan, tetapi kemahiran dan harnes penampalan mungkin memerlukan penambahbaikan berulang untuk memastikan tampalan memenuhi keperluan fungsi dan bukan fungsi secara konsisten. Selain itu, kami mengesyorkan penggunaan model untuk menyemak tampalan tulisan manusia dan janaan AI dari sudut pandang penyerang. Semakan ini boleh mengenal pasti isu seperti tampalan yang boleh dipintas, laluan serangan atau varian lain yang terlepas pandang, dan banyak lagi.

Dalam larian kernelCTF kami, selain 21 eksploit 0-day kernel Linux, prototaip penyelidikan kami turut menemui dan mengeksploitasi kerentanan QEMU TCG. Ejen penganalisis ditugaskan untuk menganalisis kod kemasukan panggilan sistem. Ketika menulis program untuk menguji peralihan keistimewaan, ejen itu menemui kejadian ranap kernel yang tidak dijangka. Ejen itu menjalankan triage pada kejadian ranap tersebut dan menjejaki puncanya kepada QEMU TCG tanpa akses kepada kod sumber QEMU, lalu memasukkan kerentanan itu dalam laporan. Ejen ExploitDev kemudiannya berjaya membangunkan eksploit peningkatan keistimewaan setempat untuk kerentanan ini. Kami menemukan kerentanan QEMU ini semasa menganalisis eksploit secara manual dan mengesahkan bahawa kerentanan tersebut telah dibaiki dalam projek huluan QEMU, tetapi belum dalam binaan keluaran yang digunakan semasa eksperimen.

Inti pati: Model perbatasan berkeupayaan siber boleh menemui kerentanan dalam infrastruktur pengujian. Kami mengesyorkan agar setiap bahagian infrastruktur diuji sebelum menjalankan penyelidikan kerentanan ofensif. Kami telah menguji infrastruktur kami secara proaktif, mendedahkan dan menampal banyak kerentanan dalam Kata, Moby/Docker, gVisor dan projek lain.

Matlamat kami ialah menjadikan keupayaan model yang semakin meningkat sebagai kelebihan berkekalan bagi mereka yang melindungi Internet. Penyelidikan ini menunjukkan bahawa keupayaan siber model perbatasan yang semakin meningkat boleh digunakan untuk mencari kerentanan dalam perisian kompleks, seperti kernel Linux, dengan berkesan. Memperkukuh keselamatan projek perisian kritikal seperti Linux dan projek sumber terbuka lain dapat melindungi banyak sistem dan pengguna yang bergantung padanya.

Melalui Patch the Planet, sebuah inisiatif Daybreak, kami menyasarkan untuk memperluas penyelidikan ini kepada lebih banyak projek perisian kritikal dan membangunkan penampalan automatik yang boleh dipercayai bersama penyelenggara dan rakan kongsi keselamatan. Kami mahu terus mengurangkan peluang yang tersedia kepada penyerang dan meningkatkan kos mencari serta mengeksploitasi kerentanan, sehingga pulangan yang dijangka tidak lagi menjadikan serangan itu berbaloi.

Setiap generasi model seharusnya membantu kami membina perisian yang lebih sukar dikompromi oleh generasi seterusnya. Kami akan terus berusaha membina Internet yang selamat agar sesiapa sahaja dapat berkarya di atasnya dengan gembira.