முழு அதிகாரத்துக்கு ஆயிரம் வழிகள் குறைவு

முன்பு ஒவ்வொரு கண்டுபிடிப்பிற்கும் தனித்தனியாகத் தொடர்ச்சியான விசாரணை தேவைப்பட்ட பாதுகாப்பு ஆராய்ச்சியை, இப்போது படிப்படியாக ஒரு முறையான செயல்முறையாக மேற்கொள்ள முடிகிறது. இந்தத் துறையில் எங்கள் முயற்சிகளில் ஒன்றை இந்த ஆவணம் ஆராய்கிறது.

பாதிப்புகளைக் கண்டறியும் பணியை விரிவுபடுத்துவது எளிதாகி வருகிறது. ஆனால் முன்னுரிமை நிர்ணயமும் சரிபார்ப்பும் செயல்பாட்டுத் தடைகளாகவே நீடிக்கின்றன. கட்டுப்படுத்தப்பட்ட ஆராய்ச்சிச் சூழலில் Linux கருவின் பாதுகாப்புக் குறைகளைத் தேட ஒரு முன்மாதிரியை உருவாக்கினோம். எங்கள் முன்மாதிரி Linux கருவில் 2,308 சாத்தியமான பாதிப்புகளைக் கண்டறிந்து பகுப்பாய்வு செய்தது; 1,724 பாதிப்புகளை இயக்கச் சோதனையில் மீண்டும் நிகழ்த்தியது; அதிகாரமற்ற உள்ளகப் பயனர் முழு அதிகார அணுகலைப் பெற உதவக்கூடிய 948 உள்ளக அதிகார உயர்வுச் (LPE) சுரண்டல் நிரல்களை உருவாக்கியது.

இந்தச் சான்றுகளைப் பயன்படுத்தி, அறிக்கையிட வேண்டிய பாதிப்புகளுக்கு முன்னுரிமை அளித்தோம்; பராமரிப்பாளர்களின் மதிப்பாய்விற்காகத் திருத்தங்களையும் முன்மொழிந்தோம். Linux கரு சமூகத்தின் வழிகாட்டுதலின்படி, மிகத் தீவிரமான பாதிப்புகளில் தொடங்கி, மேலும் அறிக்கைகளையும் திருத்தங்களையும் வழங்க Patch the Planet கூட்டாளர்களுடன் பணியாற்றி வருகிறோம்.

ஜூன் மாதத்தில், எங்கள் Patch the Planet முன்னெடுப்பின் ஒரு பகுதியாக, Linux கருவின் பாதிப்புகளை GPT‑5.5 Cyber கண்டறிந்து, அவற்றைச் சரிபார்த்து அறிக்கையிட 24 உள்ளக அதிகார உயர்வுச் சுரண்டல் நிரல்களை உருவாக்கியதைப் பகிர்ந்தோம். வரவிருக்கும் இணையப் பாதுகாப்பு மாடலை அடிப்படையாகக் கொண்டு, அந்தப் பணியை ஒரு செயலோட்டமாக விரிவுபடுத்தினோம். பாதிப்புகளைக் கண்டறிதல், இயக்கச் சரிபார்ப்பு, சுரண்டல் சாத்திய மதிப்பீடு, திருத்த உருவாக்கம் ஆகியவை இதில் அடங்கும். அது முடிந்ததும், வெளியீடுகளை மனித ஆராய்ச்சியாளர்கள் மதிப்பாய்வு செய்து, கண்டறியப்பட்ட பாதிப்புகளைத் திருத்தங்களுடன் அறிக்கையிட்டனர்.

பல பில்லியன் மக்கள் பயன்படுத்தும் Android சாதனங்கள், மேகக்கணினிக் கட்டமைப்பு, மீத்திறன் கணினிகள் மற்றும் பிற முறைமைகளுக்கு Linux கருவே அடித்தளம் ஆகும். 40 மில்லியனுக்கும் மேற்பட்ட நிரல் வரிகளைக் கொண்ட இந்தக் கரு, முறைமை அழைப்புகள், பிணையம், கோப்பு முறைமைகள், சாதன இயக்கிகள் வழியாகத் தாக்குதலுக்கு விரிவான வாய்ப்புகளை அளிக்கிறது. இத்தகைய அளவும் முக்கியத்துவமும் கொண்ட நிரல்தொகுப்பில், அதிநவீன மாடல்கள் எவ்வளவு திறம்படப் பாதிப்புகளைக் கண்டறிந்து அவற்றின் பாதுகாப்புத் தாக்கத்தை நிரூபிக்கின்றன என்பதை ஆராய Linux-ஐத் தேர்ந்தெடுத்தோம்.

முதற்கட்டப் பாதிப்புக் கண்டறிதலில் ஆயிரக்கணக்கான சாத்தியமான பாதிப்புகள் கிடைத்தன. பாதுகாப்பு ஆராய்ச்சியாளர்கள் அவற்றை நேரடியாக மதிப்பாய்வு செய்து வகைப்படுத்த முடியாத அளவுக்கு அவை அதிகமாக இருந்தன. எங்கள் பாதிப்புக் கண்டறியும் செயலோட்டத்தின் நடைமுறைச் சவால் கண்டறிதல் அல்ல. எவற்றை மீண்டும் நிகழ்த்த முடியும், அவை எந்தப் பாதுகாப்பு எல்லையை மீறுகின்றன, எவற்றுக்குப் பராமரிப்பாளர்களின் கவனம் முதலில் தேவை என்பதைக் கண்டறிவதே சவாலாக இருந்தது.

உலகம் நம்பியிருக்கும் மென்பொருளைப் பாதுகாக்க உதவுவதே OpenAI-இன் இணையப் பாதுகாப்புக் குழுவின் பணி ஆகும். இந்தப் பணியை மீண்டும் மேற்கொள்ளவும் விரிவுபடுத்தவும் தேவையான வளங்களை ஆராய்ச்சியாளர்கள் மதிப்பிட உதவும் வகையில், ஒவ்வொரு கட்டத்திற்குமான API செலவுகளைத் தெரிவிக்கிறோம். இந்தச் செலவுகள், இந்த மதிப்பீட்டில் பயன்படுத்தப்பட்ட மாடல்கள், இலக்கு உள்ளமைவுகள் மற்றும் பணிச்செயல்முறையைப் பிரதிபலிக்கின்றன. பாதிப்புகளைப் பாதுகாப்பாளர்கள் கண்டறிந்து சரிசெய்ய உதவுவதன் மூலம், தாக்குதலாளர்களுக்குக் கிடைக்கும் வாய்ப்புகளைக் குறைத்து, அவர்கள் மென்பொருளைச் சுரண்டுவதற்கான செலவை உயர்த்துவதே எங்கள் விரிவான நோக்கம் ஆகும்.

இறுதியாக, இந்த ஆராய்ச்சியில் நாங்கள் செலவில் அல்லாமல், ஆய்வு முறையிலும் மாடலின் திறனை அளவிடுவதிலுமே கவனம் செலுத்தினோம் என்பதைக் கவனத்தில் கொள்ளுங்கள். சூழல் பணி அமைவைப் போதுமான அளவு மேம்படுத்தினால், ஒவ்வொரு கட்டத்தின் செலவும் கணிசமாகக் குறையலாம் என எதிர்பார்க்கிறோம். எனவே, நாங்கள் தெரிவிக்கும் செலவுகளை உச்ச வரம்பாகவே கருதலாம்.

எங்கள் பாதிப்பு ஆராய்ச்சி முன்மாதிரி ஐந்து கட்டங்களைக் கொண்ட செயலோட்டம் ஆகும். இதன் மையத்தில் வரவிருக்கும் இணையப் பாதுகாப்பு மாடல் பயன்படுத்தப்படுகிறது:

• பாதிப்புகளைக் கண்டறிதல்: நிரல்தொகுப்பில் பாதுகாப்புடன் தொடர்புடைய பகுதிகளை ஏஜென்ட்கள் அடையாளம் கண்டு, சாத்தியமான பாதிப்புகளுக்காக அவற்றை ஆய்வு செய்கின்றன.

• இயக்கச் சரிபார்ப்பு: தனிமைப்படுத்தப்பட்ட சூழலில் ஒவ்வொரு சாத்தியமான பாதிப்பையும் மீண்டும் நிகழ்த்த ஏஜென்ட்கள் முயன்று, இயக்கநேரச் சான்றுகளைப் பாதுகாக்கின்றன. மீண்டும் நிகழ்த்தப்பட்டு உறுதிசெய்யப்பட்ட பாதிப்புகளை இந்தப் படி வழங்குகிறது.

• சுரண்டல் சாத்திய மதிப்பீடு: தகவல் வெளிப்பாட்டையோ உள்ளக அதிகார உயர்வையோ உறுதிசெய்யப்பட்ட பாதிப்புகள் அனுமதிக்குமா என்பதை ஏஜென்ட்கள் சோதிக்கின்றன.

• திருத்த உருவாக்கம்: கண்டறியப்பட்ட ஒவ்வொரு பாதிப்பையும் சரிசெய்யும் திருத்தங்களை ஏஜென்ட்கள் உருவாக்குகின்றன.

• மனித மதிப்பாய்வு: பராமரிப்பாளர்களிடம் அறிக்கையிடும் முன், சுரண்டல் நிரல், திருத்தம், முன்மொழியப்பட்ட தீவிர நிலை ஆகியவற்றைப் பாதுகாப்பு ஆராய்ச்சியாளர்கள் மதிப்பாய்வு செய்கின்றனர்.

செயலோட்டத்தின் முடிவில், பாதிப்பின் தீவிரத்தை மதிப்பிட்டு, திருத்தங்களை மூலத் திட்டத்தில் சேர்க்க மனித ஆராய்ச்சியாளர்களுக்கு உதவும் வகையில், அடிப்படைக் காரணப் பகுப்பாய்வு, செயலிழப்பை ஏற்படுத்தும் குறைந்தபட்சச் செயல்முறை விளக்கம், முன்மொழியப்பட்ட திருத்தம், முழுமையான சுரண்டல் நிரல் ஆகியவற்றை முறைமை தொகுத்து வழங்குகிறது.

Linux கருவின் ஒவ்வொரு நிரல் வரியும் பாதுகாப்புடன் தொடர்புடையதல்ல. அதிகப் பயனுள்ள தணிக்கை இலக்குகளைக் கண்டறிய, தேடல் ஏஜென்ட்களின் குழுவை எங்கள் செயலோட்டம் பயன்படுத்தியது. பின்னர், பாதிப்புகளை ஆராய பகுப்பாய்வு ஏஜென்ட்களுக்கு அந்த இலக்குகள் வழங்கப்பட்டன.

தேடல் ஏஜென்ட்கள் ஒவ்வொரு கோப்புறையையும் கோப்பையும் படித்து, குறைந்த அதிகாரமுள்ள பயனர்கள் அவற்றை அணுக முடியுமா, அவை பாதுகாப்புடன் தொடர்புடையவையா என்பதன் அடிப்படையில் தணிக்கை இலக்குகளைத் தீர்மானிக்கின்றன.

இந்தக் கட்டத்தில் சுமார் 2.8 மில்லியன் நிரல் வரிகளைக் கொண்ட 5,034 தணிக்கை இலக்குகள் கண்டறியப்பட்டன. இது முழு Linux கரு நிரல்தொகுப்பில் சுமார் 7% மட்டுமே என்பதால், முழு நிரல்தொகுப்பையும் பகுப்பாய்வு செய்வதைவிடப் பாதுகாப்புத் தணிக்கையின் செலவு கணிசமாகக் குறைந்தது. இந்தப் படிக்கான API கிரெடிட்கள் செலவு $3,426.

அடுத்து, பகுப்பாய்வு ஏஜென்ட்கள் ஒவ்வொரு தணிக்கை இலக்கையும் ஆராய்ந்து, Codex Security செருகுநிரலின்⁠(புதிய சாளரத்தில் திறக்கும்) பணிச்செயல்முறையைப் போன்ற ஒன்றைப் பயன்படுத்திச் சாத்தியமான பாதிப்புகளைக் கண்டறிந்தன. சுருக்கமாக, பகுப்பாய்வு ஏஜென்ட்கள் ஒதுக்கப்பட்ட தணிக்கை இலக்கின் நிரலைப் படித்து, அது செயல்படும் முறையைப் புரிந்துகொண்டு, அதன் அச்சுறுத்தல் மாடலை அடையாளம் கண்டு, அதில் பாதிப்புகளைத் தேடுகின்றன.

12 மணி நேரத்திற்குள், கண்டறிந்தவற்றிலிருந்து நகல்களை நீக்கிய பிறகு, பகுப்பாய்வு ஏஜென்ட்களுக்கு 2,308 சாத்தியமான பாதிப்புகள் கிடைத்தன. இந்தக் கட்டத்திற்கான API கிரெடிட்கள் செலவு $316,549.

சாத்தியமான பாதிப்பாகக் கண்டறியப்படுவது, உறுதிசெய்யப்பட்ட பாதிப்புக்குச் சமமல்ல. இந்த அளவில், ஒவ்வொரு அறிக்கையையும் எங்கள் ஆராய்ச்சிக் குழுவினர் நேரடியாக ஆராய்வது நடைமுறையில் சாத்தியமில்லை.

எனவே, அ) குறைந்த அதிகாரமுள்ள பயனரால் அணுகக்கூடிய, ஆ) சிறப்பு அனுமதிகள் ஏதும் தேவைப்படாத, இ) நினைவகச் சிதைவுக்கான அளவிடக்கூடிய சான்றுகளை உருவாக்கும் பாதிப்புகளைச் சரிபார்ப்பதில் கவனம் செலுத்தினோம்.

ஒவ்வொரு சாத்தியமான பாதிப்பிற்கும், செயல்முறை விளக்க நிரலை ஒரு வகைப்படுத்தல் ஏஜென்ட் உருவாக்கியது. அதை, கரு முகவரி சுத்திகரிப்பான் (KASAN) கொண்ட Linux கரு இயங்கும் தனிமைப்படுத்தப்பட்ட மெய்நிகர் இயந்திரத்தில் இயக்கியது. நிரலின் வெளியீட்டையும் முறைமைக் கட்டுப்பாட்டகத்தையும் அந்த ஏஜென்ட் கவனித்தது. பின்னர், அறிக்கையிலுள்ள நடத்தையை மீண்டும் நிகழ்த்தும் வரை அல்லது அதைத் தூண்டும் சாத்தியமான வழிகள் தீரும் வரை செயல்முறை விளக்க நிரலைத் தொடர்ந்து மேம்படுத்தியது.

30 மணி நேரத்திற்குள், 1724 பாதிப்புகளை எங்கள் முறைமை மீண்டும் நிகழ்த்தியது. இது 2,308 சாத்தியமான பாதிப்புகளில் சுமார் 74.7% ஆகும். நிரலை இயக்காமல் மட்டும் மதிப்பாய்வு செய்வது தவறான பாதிப்பு முடிவுகளுக்கு வழிவகுக்கலாம். எனவே, பகுப்பாய்வு ஏஜென்ட்களின் துல்லியமும், சாத்தியமான பாதிப்புகளில் கிட்டத்தட்ட முக்கால் பங்கிற்குச் செயல்படும் விளக்க நிரல்களைத் தன்னாட்சியாக உருவாக்கிய வகைப்படுத்தல் ஏஜென்ட்களின் திறனும் எங்களைக் கவர்ந்தன.

எஞ்சியவற்றில் பெரும்பாலானவற்றுக்கு உயர்ந்த அதிகாரங்கள் தேவைப்பட்டன அல்லது ஒதுக்கப்பட்ட நேரத்திற்குள் மீண்டும் நிகழ்த்த முடியவில்லை. சிக்கலான நிகழ்வுப் போட்டிநிலைகள், குறிப்பிட்ட தூண்டல் நிபந்தனைகள் (எ.கா., குறிப்பிட்ட வரியில் நினைவக ஒதுக்கீடு தோல்வியடைய வேண்டியிருத்தல்), நேரம் எடுக்கும் சரிபார்ப்பு (எ.கா., மேற்கோள் எண்ணிக்கை வரம்பைக் கடந்து மீண்டும் தொடங்குதல்) ஆகியவை இதற்குக் காரணங்கள் ஆகும். 3.1% மட்டுமே மாடலின் தவறான பகுப்பாய்வைச் சார்ந்திருந்தன. அவற்றில், நிகழ முடியாத ஒரு நிபந்தனை இருப்பதாகக் கருதி பாதிப்பு அறிக்கையிடப்பட்டிருந்தது.

சரிபார்ப்புக் கட்டத்தின் மொத்த API கிரெடிட்கள் செலவு $73,330. சாத்தியமான பாதிப்பு உண்மையானதா என்பதை உறுதிப்படுத்த, செயல்முறை விளக்க நிரலை எங்கள் சரிபார்ப்புச் செயலோட்டம் உருவாக்க வேண்டியிருந்தது. நிரலை இயக்காத பகுப்பாய்வின் அடிப்படையில் மட்டும் பரிந்துரை செய்வதைவிட இதற்கான செலவு அதிகமாக இருந்தது. மேலும், உண்மையான பாதிப்பையும் தவறாகக் கண்டறியப்பட்ட பாதிப்பையும் சரிபார்க்க முயல்வதற்கான செலவுகள் ஒத்திருந்தன. எனவே, தவறாகக் கண்டறியப்பட்ட பாதிப்புகளைச் செயலோட்டத்தின் ஆரம்பத்திலேயே நீக்குவது செலவுச் சிக்கனத்தை குறிப்பிடத்தக்க அளவில் மேம்படுத்துகிறது.

ஒரு பாதிப்பு உண்மையானது என்பதைச் சரிபார்ப்பு உறுதிப்படுத்துகிறது; ஆனால் அதை எவ்வளவு அவசரமாகச் சரிசெய்ய வேண்டும் என்பதை அல்ல. எடுத்துக்காட்டாக, உள்ளகச் சேவை மறுப்பை மட்டுமே ஏற்படுத்தக்கூடிய பாதிப்பைவிட, உள்ளக அதிகார உயர்வை அனுமதிக்கும் பாதிப்பிற்கு அதிக முன்னுரிமை அளிக்க வேண்டும். 1,724 பாதிப்புகள் உறுதிசெய்யப்பட்ட நிலையில், பாதுகாப்பில் மிகப்பெரிய தாக்கத்தை ஏற்படுத்தக்கூடியவற்றை அடையாளம் காண்பதே அடுத்த பணி ஆகும்.

முதற்கட்டத் தேர்வு ஏஜென்ட், ஒவ்வொரு அறிக்கை, செயலிழப்புப் பதிவு மற்றும் தொடர்புடைய மூல நிரலையும் இயக்காமல் மதிப்பாய்வு செய்தது. தீவிரமான பாதிப்புகள் தவறாக நீக்கப்படுவதைத் தவிர்க்க, இதன் தேர்வு நிபந்தனைகள் திட்டமிட்டுத் தளர்வாக வைக்கப்பட்டன. அதே நேரத்தில், நம்பத்தகுந்த சுரண்டல் வழியற்றவை வடிகட்டப்பட்டன. இதனால் முடிவுகள், 313 சாத்தியமான தகவல் கசிவுகள் மற்றும் 1,238 சாத்தியமான உள்ளக அதிகார உயர்வுப் பாதிப்புகளாகக் குறைந்தன.

பின்னர் சுரண்டல் உருவாக்க (ExploitDev) ஏஜென்ட்கள், வழக்கமான Linux விநியோகத்தின் பாதுகாப்புகள் செயல்படுத்தப்பட்ட தனிமைப்படுத்தப்பட்ட மெய்நிகர் இயந்திரங்களில் அவற்றைச் சோதித்தன. மேற்பார்வையாளர் முறை இயக்கத் தடுப்பு (SMEP), மேற்பார்வையாளர் முறை அணுகல் தடுப்பு (SMAP), கரு முகவரி வெளி அமைப்புச் சீரற்றதாக்கம் (KASLR), HARDENED_USERCOPY ஆகியவை அந்தப் பாதுகாப்புகளில் அடங்கும். பாதுகாப்புகளை முடக்கினால் மட்டுமே சாத்தியமாகும் நம்பகமற்ற மதிப்பீடுகளைத் தவிர்க்க இது உதவியது.

தகவல் கசிவுகளுக்கான 291 செயல்முறை விளக்க நிரல்களையும், அதிகாரமற்ற உள்ளகப் பயனர்களுக்கு முழு அதிகார அணுகலை வழங்கக்கூடிய 1,169 செயல்படும் உள்ளக அதிகார உயர்வுச் சுரண்டல் நிரல்களையும் ஏஜென்ட்கள் உருவாக்கின.

மாறுபாட்டுப் பகுப்பாய்வு செய்து, அந்தச் சுரண்டல் நிரல்களின் பின்னணியிலுள்ள பாதிப்புகளுக்கு 948 தனித்தனி திருத்தங்களை உருவாக்கினோம். தனித்துவமான LPE பாதிப்புகளின் மொத்த எண்ணிக்கையைத் தீர்மானிக்க இந்த எண்ணிக்கையைப் பயன்படுத்துகிறோம். வெற்றிகரமான சுரண்டல் நிரல்களை உருவாக்கச் சராசரியாக $359 மதிப்புள்ள கிரெடிட்கள் செலவாயின. இதனால், கண்டறிந்த பாதிப்புகளைச் சுரண்ட முடியுமா எனப் பாதுகாப்பாளர்கள் ஒப்பீட்டளவில் குறைந்த செலவில் சோதிக்க முடிகிறது.

முதற்கட்டப் பாதிப்புத் தேர்வு ஏஜென்ட்டிற்கான API கிரெடிட்கள் செலவு $44,194. சுரண்டல் கட்டத்தின் மொத்த API கிரெடிட்கள் செலவு $775,929. இதில் சாத்தியமான தகவல் கசிவுகளைச் செயலாக்க $84,929, சாத்தியமான உள்ளக அதிகார உயர்வுப் பாதிப்புகளைச் செயலாக்க $691,000 செலவாயின.

சாத்தியமான உள்ளக அதிகார உயர்வுப் பாதிப்பைச் செயலாக்கும் சராசரிச் செலவு ($558), சாத்தியமான தகவல் கசிவைச் செயலாக்கும் செலவைவிட ($271) சுமார் இரு மடங்காக இருந்தது. சரிபார்ப்புக் கட்டத்திலிருந்தே தகவல் கசிவு PoCகள் பெறப்பட்டதால், சுரண்டல் நிரலில் பயன்படுத்த அவற்றுக்குக் குறைவான மாற்றங்களே தேவைப்பட்டன. மாறாக, சாத்தியமான LPE பாதிப்பிலிருந்து சுரண்டல் நிரலை உருவாக்க, சுரண்டல் உத்தியைத் திட்டமிடுதல், பயன்படுத்தக்கூடிய பாதிப்புள்ள பொருள்களை அடையாளம் காணுதல், பாதுகாப்புத் தடுப்புகளை மீறுதல் போன்ற பல கூடுதல் படிகள் தேவைப்பட்டன. தோல்வியடைந்த சுரண்டல் முயற்சிகளின் செலவு (69 நிகழ்வுகளில் $3,922), வெற்றிகரமானவற்றைவிட (1169 நிகழ்வுகளில் $360) மிகவும் அதிகமாக இருந்ததையும் கவனித்தோம். சுரண்டுவதற்குக் கடினமான சில பாதிப்புகளே (எ.கா., நிகழ்வுப் போட்டிநிலைகள்) இதற்குக் காரணம் ஆகும். ஒரு மணி நேரம் முன்னேற்றம் இல்லாவிட்டால் முயற்சியை நிறுத்துவது போன்ற நியாயமான கைவிடும் நிபந்தனையை அமைத்திருந்தால், ExploitDev செலவு கணிசமாகக் குறைந்திருக்கும்.

உறுதிசெய்யப்பட்ட ஒவ்வொரு பாதிப்பிற்கும் முறைமை ஒரு திருத்தத்தையும் உருவாக்குகிறது. தொடர்புடைய மூல நிரலை மாடலுக்கு வழங்கி, திருத்தம் எழுதுவதற்கான சிறந்த நடைமுறைகளைப் பின்பற்ற அறிவுறுத்துகிறோம். திருத்தத்தை இயக்காமல் சோதித்தல், அருகிலுள்ள நிரலில் பயன்படுத்தப்படும் மென்பொருள் மேம்பாட்டு நடைமுறைகளைப் பின்பற்றுதல், திருத்தம் முழுமையானதா என்பதை உறுதிசெய்ய மாறுபாட்டுப் பகுப்பாய்வு செய்தல் ஆகியவை இதில் அடங்கும்.

Linux கரு சமூகத்தின் பரிந்துரையின்படி, மிகத் தீவிரமான பாதிப்புகளுக்கான நூற்றுக்கணக்கான அறிக்கைகளையும் திருத்தங்களையும் ஏற்கெனவே அனுப்பியுள்ளோம். எஞ்சியவற்றிற்கான திருத்தங்களைப் படிப்படியாக அனுப்ப Patch the Planet கூட்டாளர்களுடன் பணியாற்றி வருகிறோம். திறந்த மூலத் திட்டப்பணிகளை ஆதரிப்பதற்கான எங்கள் விரிவான Daybreak உறுதிப்பாட்டின் ஒரு பகுதியே இந்தப் பணி ஆகும்.

இந்தப் பகுதியில், இந்த ஆராய்ச்சியிலிருந்து பெற்ற படிப்பினைகள், சிந்தனைகள் மற்றும் கூடுதல் பகுப்பாய்வைப் பகிர்கிறோம்.

இந்த ஆராய்ச்சியின்போது, பாதிப்புகளைச் சரிசெய்து பயனர்களைப் பாதுகாக்க Linux பராமரிப்பாளர்கள் விரைந்து செயல்படுவதைக் கண்டோம். 2026 அக்டோபர் நடுப்பகுதியில் சமீபத்திய Linux கருவில் ஆய்வு நடத்தப்பட்டது. தன்னாட்சி ஆய்வும் மனிதப் பகுப்பாய்வும் 10 நாள்களுக்குப் பிறகு முடிந்தபோது, மூலத் திட்டத்தில் 61 LPE பாதிப்புகள் ஏற்கெனவே சரிசெய்யப்பட்டிருந்தன; 43-க்குத் திருத்தங்கள் ஆயத்த நிலையில் இருந்தன; 299 பொதுவெளியில் அறிக்கையிடப்பட்டு விவாதிக்கப்பட்டு வந்தன.

கண்டறியப்பட்ட சிக்கல்களை விரைவாகச் சரிசெய்யும் Linux பராமரிப்பாளர்களையும், தங்கள் கண்டுபிடிப்புகளைப் பகிரும் பரந்த பாதுகாப்புச் சமூகத்தினரையும் மனமாரப் பாராட்டுகிறோம். உலகின் மென்பொருளைப் பாதுகாக்க இத்தகைய கூட்டு நடவடிக்கையே தேவை. பாதிப்புகள் வெளியிடப்பட்டுச் சரிசெய்யப்படும் வேகம், பயனர்களும் நிறுவனங்களும் மென்பொருளைப் புதுப்பித்த நிலையில் வைத்திருப்பதன் அவசியத்தையும் வலியுறுத்துகிறது.

படிப்பினை: தானியங்கி வகைப்படுத்தல், விரைவான திருத்தச் சுழற்சியைக் கருத்தில் கொள்ள வேண்டும். முதல் ஆய்விற்குப் பிறகு இணைக்கப்பட்ட புதிய நிரல் உட்பட, சமீபத்திய நிரலுடன் கண்டுபிடிப்புகளை மீண்டும் சரிபார்ப்பது, நகல் அல்லது காலாவதியான அறிக்கைகளைத் தவிர்க்க உதவுகிறது. இது தீர்க்கப்படாத பாதிப்புகளில் கவனத்தைக் குவிக்கிறது. தேவையற்ற மதிப்பாய்வுச் சுமையைச் சேர்க்காமல், பராமரிப்பாளர்கள் நடவடிக்கை எடுக்கக்கூடிய சான்றுகளையும் வழங்குகிறது.

செயலோட்டத்தை உருவாக்கிக்கொண்டிருந்த 2026 ஜூலை இறுதியில், 166 தனித்துவமான LPE பாதிப்புகளை GPT‑5.6 Sol கண்டறிந்து சுரண்டியது. தொடக்கம் முதல் முடிவு வரையான API கிரெடிட்கள் செலவு $513,690.

2026 அக்டோபர் நடுப்பகுதியில் நடந்த இரண்டாவது ஆய்வில், 948 தனித்துவமான LPE பாதிப்புகளைப் புதிய இணையப் பாதுகாப்பு மாடல் கண்டறிந்து சுரண்டியது. தொடக்கம் முதல் முடிவு வரையான API கிரெடிட்கள் செலவு $1,213,430. இரு ஆய்வு இயக்கங்களிலும், அப்போதைய சமீபத்திய Linux கருவின் முதன்மைக் கிளையை ஆய்வு செய்தோம்.

படிப்பினை: மாடல்களின் திறன்கள் மேம்படும்போது, ஏற்கெனவே தணிக்கை செய்த நிரலை மீண்டும் ஆய்வு செய்யுங்கள். அதே ஆராய்ச்சி சூழல் பணி அமைவைப் பயன்படுத்தினாலும், அதிகத் திறனுள்ள மாடல் முந்தைய மாடல்கள் தவறவிட்ட பாதிப்புகளைக் கண்டறியலாம்.

ஏஜென்ட்கள் உருவாக்கியவற்றில் 166 சுரண்டல் நிரல்களை மாதிரியாகத் தேர்ந்தெடுத்து, அவற்றில் பயன்படுத்தப்பட்ட சுரண்டல் நுட்பங்களைப் பகுப்பாய்வு செய்தோம். எங்களுக்குத் தெரிந்தவரை, மாதிரியாகத் தேர்ந்தெடுத்த சுரண்டல் நிரல்களில் ஏஜென்ட்கள் 10 புதிய சுரண்டல் நுட்பங்களைப் பயன்படுத்தின. இந்த நுட்பங்களை மூன்றாம் தரப்புக் கரு சுரண்டல் நிபுணர்களுடன் பகிர்ந்தோம். அவர்களுக்கும் இவை புதியவையாக இருந்தன.

அந்த 10 நுட்பங்களில், இரண்டு நிலைத்திருக்கும், அளவை மாற்றக்கூடிய புதிய பொருள்களைப் பயன்படுத்தின; இலக்குக் கருவின் தற்காலிகச் சேமிப்பில் பல பொருள்களை நிரப்ப மாடல் இவற்றைப் பயன்படுத்தியது. இரண்டு, சுரண்டலின் நம்பகத்தன்மையை மேம்படுத்தும் புதிய நினைவகப் பக்க ஒழுங்கமைப்பு நுட்பங்கள். ஐந்து, நேரடியாகவோ தன்னிச்சையான நினைவக எழுத்து மூலமாகவோ அதிகார உயர்வைப் பெறும் புதிய தரவு-மட்டும் நுட்பங்கள். மற்றொன்று தன்னிச்சையான வகைக் குழப்பத்தை உள்ளடக்கியது. பாதுகாப்புக் காரணங்களுக்காக, இந்தப் புதிய சுரண்டல் நுட்பங்களின் முழுத் தொழில்நுட்ப விவரங்களை இப்பதிவில் பகிரவில்லை.

படிப்பினை: அதிநவீன மாடல்கள், அறியப்பட்ட பாதிப்புள்ள நிரல் வடிவங்களைப் பொருத்திப் பார்ப்பதோ, தெரிந்த சுரண்டல் நுட்பங்களை மட்டும் பயன்படுத்துவதோ இல்லை; அவை படைப்பாற்றலையும் புதிய அணுகுமுறைகளையும் வெளிப்படுத்துகின்றன.

பாதிப்புகளைக் கண்டறிந்து சுரண்டுவதற்கான செலவை அளவிட்டு, அந்தச் சான்றுகளின் அடிப்படையில் பாதுகாப்பு முதலீட்டிற்கு வழிகாட்டுவது எங்கள் குழுவின் பணியில் முக்கிய அங்கம் ஆகும். தாக்குதலாளர்கள் பயன்படுத்தும் முன்பே பாதிப்புகளைச் சரிசெய்யப் பாதுகாப்பாளர்களுக்கு உதவுவதும், மென்பொருளைச் சுரண்டுவதற்கான செலவைத் தாக்குதலாளர்கள் ஏற்க முடியாத அளவுக்கு உயர்த்துவதும் எங்கள் நோக்கம் ஆகும். மாடல்களின் திறன்கள் மேம்படும்போது இந்தச் சவால் எவ்வாறு மாறுகிறது என்பதை மதிப்பிட சுரண்டல் செலவுகளை அளவிடுவது உதவுகிறது. இந்தப் பகுதியில், எங்கள் செயலோட்டத்தை இயக்கிய செலவை, கண்டறியப்பட்ட பாதிப்புகளுக்கான பிழை வெகுமதித் திட்டங்களின் தொகைகளுடன் ஒப்பிடுகிறோம்.

எங்கள் சோதனையின் இலக்கு மெய்நிகர் இயந்திரங்களில், பாதுகாப்பு குறைக்கப்பட்ட முறைமைக்குப் பதிலாக வழக்கமான மேசைக்கணினி இயக்க முறைமை இயங்கியது. இணையப் பாதுகாப்புப் போட்டிகளில் (எ.கா., Pwn2Own⁠(புதிய சாளரத்தில் திறக்கும்), TyphoonPWN⁠(புதிய சாளரத்தில் திறக்கும்)) பயன்படுத்தப்படும் அதே அச்சுறுத்தல் மாடல் பயன்படுத்தப்பட்டது. முன்பு Linux கருவின் உள்ளக அதிகார உயர்வுச் சுரண்டல் நிரல்களுக்கு Pwn2Own $20,000, TyphoonPWN $70,000 என முறையே பிழை வெகுமதிகளை வழங்கியுள்ளன. அந்த முந்தைய வெகுமதித் தொகைகளின்படி 948 சுரண்டல் நிரல்களின் கற்பனை மதிப்பீடு $18.9 மில்லியன்–$66.3 மில்லியன் ஆகும். இது எங்கள் செயலோட்டச் செலவைவிடச் சுமார் 16 முதல் 55 மடங்கு அதிகம்.

Google-இன் kernelCTF⁠(புதிய சாளரத்தில் திறக்கும்) பாதிப்பு வெகுமதித் திட்டத்திலும் எங்கள் செயலோட்டத்தைச் சோதித்தோம். தாக்குதலுக்குள்ளாகக்கூடிய பகுதிகள் குறைக்கப்பட்டு, பாதுகாப்பு வலுப்படுத்தப்பட்ட Linux கருவே அதன் இலக்கு ஆகும். kernelCTF சூழலில் சமீபத்திய Linux கருவில் செயலோட்டத்தை இயக்கி, 25 தகவல் கசிவுச் செயல்முறை விளக்க நிரல்களையும் 21 உள்ளக அதிகார உயர்வுச் சுரண்டல் நிரல்களையும் பெற்றோம். இந்தக் கரு பதிப்பு kernelCTF-இன் SLAB_VIRTUAL பாதுகாப்பு முறையுடன் பொருந்தாததால், அதை உள்ளமைவிலிருந்து நீக்கினோம். ஒப்பீட்டிற்கு, இதை எழுதும் நேரம் வரை 2026-இல் உறுதிசெய்யப்பட்ட 26 பூஜ்ஜிய நாள் LPE சுரண்டல் நிரல்களை kernelCTF ஏற்றுக்கொண்டுள்ளது. முழு ஆய்வு இயக்கமும் 112 மணி நேரம் நீடித்தது. API கிரெடிட்கள் செலவு சுமார் $32,936; இதில் பாதிப்புகளைக் கண்டறிவதற்கான API செலவு 83.7%. அந்த 21 பாதிப்புகளையும் திட்டம் ஏற்றுக்கொண்டால், சுமார் $1.5 மில்லியன் வெகுமதி கிடைக்கும். இது செலவைவிடச் சுமார் 45 மடங்கு அதிகம்.

படிப்பினை: பொதுவில் அறிவிக்கப்பட்ட வெகுமதித் தொகைகளின் அடிப்படையில், தற்போதைய இணையப் பாதுகாப்புத் திறனுள்ள மாடல்களைப் பயன்படுத்திய எங்கள் பாதிப்பு ஆராய்ச்சிச் செயலோட்டம், இந்த ஆராய்ச்சியின்போது செலவைக் காட்டிலும் அதிக வருவாய் தரக்கூடியதாக இருந்தது. தாக்குதலாளர்கள் சுரண்டுவதற்கான செலவை ஏற்க முடியாத அளவுக்கு உயர்த்த, பாதுகாப்பாளர்கள் தங்கள் மென்பொருளை முன்கூட்டியே பகுப்பாய்வு செய்ய வேண்டும்.

சுரண்டல் சாத்திய மதிப்பீட்டின்போது, ExploitDev ஏஜென்ட்களுக்கு ஒரு பாதிப்பு அறிக்கை வழங்கப்பட்டு, முழுமையாகச் செயல்படும் சுரண்டல் நிரலை உருவாக்குமாறு பணிக்கப்பட்டது. முழு அதிகாரக் கட்டளைச் சூழலை வெற்றிகரமாகப் பெற்றால், பாதிப்பு சுரண்டப்பட்டதாக எங்கள் செயலோட்டம் குறித்தது. ஆரம்ப இயக்கம் ஒன்றில், சுரண்டல் கட்டம் வெற்றிகரமான 200 உள்ளக அதிகார உயர்வுச் சுரண்டல் நிரல்களை உருவாக்கியதாக அறிக்கையிட்டது. ஆனால் மனித மதிப்பாய்வுக்குப் பிறகு, அவற்றில் 20, ஒதுக்கப்பட்ட பாதிப்புக்குப் பதிலாக வேறொரு பூஜ்ஜிய நாள் பாதிப்பின் மூலம் முழு அதிகாரத்தைப் பெற்றிருந்ததைக் கண்டறிந்தோம். ஏஜென்ட்களின் சுரண்டல் வெற்றிகரமாக இருந்தாலும்கூட முறையான சரிபார்ப்பு தேவை என்பதை இது காட்டுகிறது.

அதன்பிறகு பணிக் கட்டுப்பாடுகளைக் கடுமையாக்கினோம். ஒவ்வொரு இறுதிச் சுரண்டல் நிரலும் அதற்கு ஒதுக்கப்பட்ட பாதிப்பையே பயன்படுத்துவதை உறுதிப்படுத்தத் தனித்த சரிபார்ப்பையும் சேர்த்தோம்.

படிப்பினை: தன்னாட்சிப் பாதுகாப்பு ஆராய்ச்சியில், முடிவை மட்டுமல்லாமல் அதை அடைந்த வழியையும் சரிபார்க்க வேண்டும். தனிமைப்படுத்தல், கண்காணிப்பு, தனித்த சரிபார்ப்புகள் ஆகியவை அவசியமான கட்டுப்பாடுகள் ஆகும்.

இந்த ஆராய்ச்சியின் தொடக்கத்தில், ஏஜென்ட்டின் இணையப் பாதுகாப்புத் திறனை மேம்படுத்த அதைச் சுற்றி விரிவான ஒருங்கிணைப்பு அமைப்பை உருவாக்க வேண்டுமா என்ற வடிவமைப்பு முடிவை ஆராய்ந்தோம். அதிகத் திறனுள்ள மாடல்களுக்குக் குறைவான ஒருங்கிணைப்பும் வழிகாட்டுதலுமே தேவை என்பதை எங்கள் முடிவு சுட்டிக்காட்டியது. மேலும், கிடைக்கும் சிறிய மேம்பாடு பராமரிப்புச் செலவிற்கு ஈடாக இல்லை. எனவே, விரிவான ஒருங்கிணைப்பு அமைப்பை நீக்க முடிவு செய்தோம்.

இந்தச் சோதனையில் GPT‑5.5 Cyber மற்றும் GPT‑5.6 Cyber ஆகியவற்றை ஒப்பிட்டோம். ஏற்கெனவே உள்ள Linux கரு சுரண்டல் நுட்பங்களை எப்போது, எவ்வாறு பயன்படுத்த வேண்டும் என்பதை GPT‑5.5 Cyber தொடர்ந்து சரியாக அடையாளம் காணவில்லை என்பதைப் பார்த்தோம். பின்னர் 103 நுட்பங்களை மாடலுக்கு ஏற்ற வடிவில் தொகுத்து, ஏஜென்ட்டின் சூழலில் வழங்கி, அவற்றைப் பயன்படுத்துமாறு அறிவுறுத்தினோம். சுரண்டலுக்காகத் தேர்ந்தெடுத்த 63 பாதிப்புகளில், இது வெற்றி விகிதத்தை 76.2%-இலிருந்து 88.9%-ஆக உயர்த்தியது.

இதே சோதனையை GPT‑5.6 Cyber மூலம் மீண்டும் செய்தபோது, தொடர்புடைய நுட்பங்களைத் தானாகவே கண்டறிந்து, தேர்ந்தெடுத்துப் பயன்படுத்துவதில் அந்த மாடல் மேம்பட்டிருந்தது. நுட்பங்கள்/திறன்களுக்கான ஒருங்கிணைப்பை நீக்கினோம். குறைந்த ஒருங்கிணைப்புடன் செயல்பட்ட இந்த GPT‑5.6 Cyber பணிச்செயல்முறை, அதிக ஆதரவுக் கட்டமைப்பைக் கொண்ட GPT‑5.5 Cyber பணிச்செயல்முறையைவிடச் சிறப்பாகச் செயல்பட்டது. GPT‑5.6 Cyber-க்குக் கூடுதல் நுட்ப அடுக்கை மீண்டும் சேர்த்தபோது, வெறும் 1.5 சதவீதப் புள்ளிகள் மட்டுமே மேம்பாடு கிடைத்தது.

படிப்பினை: அடிப்படை மாடலின் திறன்கள் மாறும்போது, உங்கள் ஒருங்கிணைப்பையும் சூழல் பணி அமைவையும் மறுமதிப்பீடு செய்யுங்கள். ஒரு தலைமுறை மாடலைக் கணிசமாக மேம்படுத்தும் ஆதரவுக் கட்டமைப்பு, அதிகத் திறனுள்ள மாடலுக்குச் சிறிதளவே பயன் தரலாம். அதன் பயனைப் பராமரிப்புச் செலவுடன் ஒப்பிட்டு மதிப்பிட வேண்டும்.

தொடக்கத்தில், திருத்தங்களை உருவாக்க நேரடியாக அறிவுறுத்தியபோது, செயல்முறை விளக்க நிரலின் தாக்கத்தைத் தடுக்கும், செயல்பாட்டில் சரியான திருத்தங்களை மாடல் உருவாக்கியது. ஆனால் சில நேரங்களில் பிற சிக்கல்களையும் ஏற்படுத்தியது: தேவைக்கு அதிகமான நிரல், செயல்திறன் குறையும் சாத்தியம், நிரலாக்க மரபுகளிலிருந்து விலகல் அல்லது அதே பாதிப்பின் மாறுபாடுகளுக்காகத் தொடர்புடைய நிரலை ஆராயத் தவறியதால் முழுமையற்ற திருத்தங்கள்.

கூடுதல் அறிவுறுத்தல்களும் திருத்த உருவாக்கச் செயல்முறையின் தொடர் மேம்பாடுகளும் திருத்தங்களின் தரத்தை உயர்த்தின. முறையாகக் கையாண்டால், செயற்கை நுண்ணறிவு உருவாக்கும் பாதுகாப்புத் திருத்தங்கள் சரியானவையாகவும், குறைந்தபட்ச மாற்றங்களைக் கொண்டவையாகவும், ஏற்கெனவே உள்ள நிரலாக்க மரபுகளுக்கு ஏற்றவையாகவும் இருக்க முடியும் என்பதை இது சுட்டிக்காட்டுகிறது. இது தொடர்ந்து ஆராயப்பட்டுவரும் துறை ஆகும். எதிர்கால மாடல்களுடன் இது மேலும் எளிதாகவும் திறம்படவும் அமையும் என நம்புகிறோம். சில நிகழ்வுகளில், மனித நிபுணர்கள் எழுதிய திருத்தங்களில் இருந்த சிக்கல்களையும் எங்கள் ஆராய்ச்சி முன்மாதிரி கண்டறிந்தது. அவை இணைக்கப்படுவதற்கு முன்பே சரிசெய்யப்பட்டன.

படிப்பினை: திருத்தும் செயல்முறையை மாடல்கள் விரைவுபடுத்தலாம். ஆனால் செயல்பாடு சார்ந்த மற்றும் செயல்பாடு சாராத தேவைகள் இரண்டையும் திருத்தங்கள் நம்பகமாக நிறைவேற்ற, திருத்தும் திறன்களையும் சூழல் பணி அமைவுகளையும் தொடர்ந்து மேம்படுத்த வேண்டியிருக்கலாம். மேலும், மனிதர்களும் செயற்கை நுண்ணறிவும் உருவாக்கிய திருத்தங்களைத் தாக்குதலாளரின் கண்ணோட்டத்தில் மதிப்பாய்வு செய்ய மாடல்களைப் பயன்படுத்தப் பரிந்துரைக்கிறோம். திருத்தத்தை மீற முடியுமா, பிற தாக்குதல் வழிகள் அல்லது மாறுபாடுகள் விடுபட்டுள்ளனவா போன்ற சிக்கல்களை இது கண்டறியலாம்.

எங்கள் kernelCTF இயக்கத்தில், 21 Linux கரு பூஜ்ஜிய நாள் சுரண்டல் நிரல்களுடன், எங்கள் ஆராய்ச்சி முன்மாதிரி ஒரு QEMU TCG பாதிப்பையும் கண்டறிந்து சுரண்டியது. முறைமை அழைப்பு நுழைவு நிரலைப் பகுப்பாய்வு செய்யப் பகுப்பாய்வு ஏஜென்ட் பணிக்கப்பட்டது. அதிகார நிலை மாற்றங்களைச் சோதிக்க நிரல்களை எழுதியபோது, எதிர்பாராத கரு செயலிழப்பை அது சந்தித்தது. QEMU-இன் மூல நிரலை அணுகாமலேயே, அந்தச் செயலிழப்பை ஆராய்ந்து, QEMU TCG-இல் சிக்கல் இருப்பதைக் கண்டறிந்து, பாதிப்பை அறிக்கையில் சேர்த்தது. பின்னர் ExploitDev ஏஜென்ட் இந்தப் பாதிப்பிற்கான உள்ளக அதிகார உயர்வுச் சுரண்டல் நிரலை வெற்றிகரமாக உருவாக்கியது. சுரண்டல் நிரல்களை மனிதர்கள் பகுப்பாய்வு செய்தபோது இந்த QEMU பாதிப்பைக் கண்டறிந்தோம். மூல QEMU திட்டத்தில் அது சரிசெய்யப்பட்டிருந்தாலும், சோதனையில் பயன்படுத்திய வெளியீட்டுப் பதிப்பில் சரிசெய்யப்படவில்லை என்பதை உறுதிப்படுத்தினோம்.

படிப்பினை: இணையப் பாதுகாப்புத் திறனுள்ள அதிநவீன மாடல்கள், சோதனைக் கட்டமைப்பிலும் பாதிப்புகளைக் கண்டறியலாம். தாக்குதல் அடிப்படையிலான பாதிப்பு ஆராய்ச்சியை மேற்கொள்ளும் முன், கட்டமைப்பின் ஒவ்வொரு பகுதியையும் சோதிக்கப் பரிந்துரைக்கிறோம். நாங்கள் எங்கள் கட்டமைப்பை முன்கூட்டியே சோதித்து, Kata, Moby/Docker, gVisor மற்றும் பிற திட்டப்பணிகளில் பல பாதிப்புகளை வெளியிட்டுச் சரிசெய்துள்ளோம்.

மாடல்களின் வளர்ந்துவரும் திறனை, இணையத்தைப் பாதுகாப்போருக்கு நீடித்த சாதகமாக மாற்றுவதே எங்கள் நோக்கம் ஆகும். அதிநவீன மாடல்களின் வளர்ந்துவரும் இணையப் பாதுகாப்புத் திறனைப் பயன்படுத்தி, Linux கரு போன்ற சிக்கலான மென்பொருள்களில் பாதிப்புகளைத் திறம்படக் கண்டறிய முடியும் என்பதை இந்த ஆராய்ச்சி காட்டுகிறது. Linux உள்ளிட்ட முக்கியமான திறந்த மூல மென்பொருள் திட்டப்பணிகளின் பாதுகாப்பை வலுப்படுத்துவது, அவற்றைச் சார்ந்த பல முறைமைகளையும் பயனர்களையும் பாதுகாக்கும்.

Patch the Planet மூலம், Daybreak முன்னெடுப்பில் மேலும் பல முக்கிய மென்பொருள் திட்டப்பணிகளுக்கு இந்த ஆராய்ச்சியை விரிவுபடுத்தவும், பராமரிப்பாளர்கள் மற்றும் பாதுகாப்புக் கூட்டாளர்களுடன் இணைந்து நம்பகமான தானியங்கித் திருத்த முறைகளை உருவாக்கவும் நோக்கமாகக் கொண்டுள்ளோம். தாக்குதலாளர்களுக்குக் கிடைக்கும் வாய்ப்புகளைத் தொடர்ந்து குறைத்து, பாதிப்புகளைக் கண்டறிந்து சுரண்டுவதற்கான செலவை அதிகரிக்க விரும்புகிறோம். எதிர்பார்க்கும் பலனுக்காகத் தாக்குதல் நடத்துவது இனி பயனற்றதாகும் வரை இதைத் தொடர்வதே நோக்கம் ஆகும்.

ஒவ்வொரு தலைமுறை மாடல்களும், அடுத்த தலைமுறை மாடல்களால் ஊடுருவுவது மேலும் கடினமாக இருக்கும் மென்பொருளை உருவாக்க நமக்கு உதவ வேண்டும். எவரும் மகிழ்ச்சியுடன் புதியவற்றை உருவாக்கக்கூடிய பாதுகாப்பான இணையத்தைக் கட்டமைக்கத் தொடர்ந்து பணியாற்றுவோம்.