روٹ تک پہنچنے کے ایک ہزار راستے کم

حفاظتی تحقیق میں کبھی ہر دریافت کے لیے الگ، مسلسل تفتیش درکار ہوتی تھی. اب اسے ایک منظم عمل کے طور پر انجام دینا تیزی سے ممکن ہو رہا ہے. یہ دستاویز اس شعبے میں ہماری ایک کوشش کا جائزہ لیتی ہے.

خامیوں کی دریافت کو بڑے پیمانے پر انجام دینا آسان ہوتا جا رہا ہے، لیکن ترجیحات طے کرنا اور توثیق کرنا اب بھی عملی رکاوٹیں ہیں. ہم نے قابو میں رکھے گئے تحقیقی ماحول میں لینکس کرنل کی حفاظتی خامیاں تلاش کرنے کے لیے ایک ابتدائی نمونہ بنایا. ہمارے ابتدائی نمونے نے لینکس کرنل کی 2,308 ممکنہ خامیوں کی نشاندہی اور تجزیہ کیا، عملی اجرا کے ذریعے 1,724 خامیاں دوبارہ پیدا کیں، اور مقامی اختیارات بڑھانے والے 948 استحصالی کوڈ (LPE) تیار کیے جو بے اختیار مقامی صارف کو روٹ رسائی دے سکتے تھے.

ہم نے ان شواہد سے خامیوں کی رپورٹنگ کی ترجیحات طے کیں اور نگہداشت کاروں کے جائزے کے لیے مجوزہ پیچ تیار کیے. لینکس کرنل برادری کی رہنمائی کے مطابق ہم نے سنگین خامیوں سے آغاز کیا اور مزید رپورٹوں اور پیچوں پر پیچ دی پلینیٹ کے شراکت داروں کے ساتھ کام کر رہے ہیں.

جون میں، اپنے پیچ دی پلینیٹ اقدام کے تحت ہم نے بتایا تھا کہ GPT‑5.5 Cyber نے لینکس کرنل کی خامیاں دریافت کیں اور ان کی توثیق اور رپورٹنگ کے لیے مقامی اختیارات بڑھانے والے 24 استحصالی کوڈ تیار کیے. ہم نے اس کام کو آنے والے سائبر ماڈل سے چلنے والی ایک پائپ لائن میں وسعت دی، جس میں خامیوں کی دریافت، عملی اجرا سے توثیق، استحصال کے امکان کی جانچ اور پیچ سازی شامل ہیں. عمل مکمل ہونے پر انسانی محققین نے نتائج کا جائزہ لیا اور دریافت شدہ خامیوں کی رپورٹیں پیچوں کے ساتھ بھیجیں.

لینکس کرنل اینڈرائیڈ آلات، کلاؤڈ کے بنیادی ڈھانچے، سپر کمپیوٹروں اور اربوں لوگوں کے زیرِ استعمال دیگر نظاموں کی بنیاد ہے. چار کروڑ سے زیادہ سطروں والے کوڈ پر مشتمل کرنل، سسٹم کالز، نیٹ ورکنگ، فائل سسٹمز اور ڈیوائس ڈرائیورز کے ذریعے حملے کے وسیع امکانات فراہم کرتا ہے. ہم نے لینکس کا انتخاب یہ جانچنے کے لیے کیا کہ جدید ترین ماڈلز اتنے بڑے اور اہم کوڈ میں کتنی مؤثر طور پر خامیاں تلاش اور ان کے حفاظتی اثرات ظاہر کر سکتے ہیں.

خامیوں کی دریافت کے ابتدائی مرحلے میں ہزاروں ممکنہ خامیاں ملیں، اتنی زیادہ کہ حفاظتی محققین کے لیے ان کا دستی جائزہ اور چھان بین کرنا ممکن نہیں تھا. ہماری خامیوں کی دریافت کی پائپ لائن کا عملی چیلنج دریافت نہیں، بلکہ یہ طے کرنا تھا کہ کون سی خامیاں دوبارہ پیدا کی جا سکتی ہیں، وہ کون سی حفاظتی حد عبور کرتی ہیں، اور کن پر نگہداشت کاروں کو سب سے پہلے توجہ دینی چاہیے.

OpenAI کی سائبر ٹیم کا مشن اس سافٹ ویئر کو محفوظ بنانے میں مدد دینا ہے جس پر دنیا انحصار کرتی ہے. ہم ہر مرحلے کی API لاگت بتاتے ہیں تاکہ محققین اس کام کو دہرانے اور آگے بڑھانے کے لیے درکار وسائل کا اندازہ لگا سکیں. یہ لاگتیں اس جائزے میں استعمال شدہ ماڈلز، ہدف کی ترتیبات اور طریقۂ کار کی عکاسی کرتی ہیں. ہمارا وسیع تر مقصد محافظوں کو خامیاں تلاش اور درست کرنے میں مدد دینا ہے، تاکہ حملہ آوروں کے لیے مواقع کم ہوں اور سافٹ ویئر کے استحصال کی لاگت بڑھے.

آخر میں، یہ بات ذہن میں رکھیں کہ اس تحقیق میں ہماری توجہ طریقۂ کار اور ماڈل کی صلاحیت ناپنے پر تھی، لاگت پر نہیں. ہمیں توقع ہے کہ ہارنیس کی انجینئرنگ پر کافی کام کیا جائے تو ہر مرحلے کی لاگت نمایاں طور پر کم ہو سکتی ہے؛ لہٰذا ہماری بتائی ہوئی لاگتیں زیادہ تر بالائی حد سمجھی جانی چاہئیں.

خامیوں کی تحقیق کا ہمارا ابتدائی نمونہ پانچ مرحلوں کی پائپ لائن ہے، جس کے مرکز میں آنے والا ایک سائبر ماڈل استعمال ہوتا ہے:

• خامیوں کی دریافت: ایجنٹس کوڈ کے حفاظت سے متعلق حصے پہچانتے ہیں اور انہیں ممکنہ خامیوں کے لیے اسکین کرتے ہیں.

• عملی اجرا سے توثیق: ایجنٹس ہر ممکنہ خامی کو الگ تھلگ ماحول میں دوبارہ پیدا کرنے کی کوشش کرتے ہیں اور اجرا کے شواہد محفوظ رکھتے ہیں. اس قدم کے نتیجے میں دوبارہ پیدا کردہ اور تصدیق شدہ خامیاں حاصل ہوتی ہیں.

• استحصال کے امکان کی جانچ: ایجنٹس آزماتے ہیں کہ آیا تصدیق شدہ خامیوں سے معلومات کا افشا یا مقامی اختیارات میں اضافہ ممکن ہے.

• پیچ سازی: ایجنٹس ہر شناخت شدہ خامی کو درست کرنے والے پیچ بناتے ہیں.

• انسانی جائزہ: حفاظتی محققین نگہداشت کاروں کو رپورٹ بھیجنے سے پہلے استحصالی کوڈ، پیچ اور سنگینی کی مجوزہ درجہ بندی کا جائزہ لیتے ہیں.

پائپ لائن کے اختتام پر نظام بنیادی سبب کا تجزیہ، کریش پیدا کرنے والا کم سے کم عملی ثبوت، مجوزہ پیچ اور مکمل استحصالی کوڈ یکجا کرتا ہے، تاکہ انسانی محققین خامی کی سنگینی جانچ سکیں اور اصلاحات اصل منصوبے میں شامل کرا سکیں.

لینکس کرنل کے کوڈ کی ہر سطر حفاظت سے متعلق نہیں ہوتی. ہماری پائپ لائن نے تفتیشی ایجنٹس کی ایک ٹیم کے ذریعے جانچ کے لیے اہم حصوں کی نشاندہی کی، پھر انہیں خامیوں کی تلاش کے لیے تجزیہ کار ایجنٹس کے حوالے کیا.

تفتیشی ایجنٹس ہر فولڈر اور فائل کو پڑھتے ہیں اور اس بنیاد پر جانچ کے حصے منتخب کرتے ہیں کہ کم اختیارات والے صارفین ان تک پہنچ سکتے ہیں یا نہیں اور وہ حفاظت کے لیے کتنے اہم ہیں.

اس مرحلے میں جانچ کے لیے 5,034 حصے منتخب ہوئے، جن میں کوڈ کی تقریباً 28 لاکھ سطریں تھیں. یہ پورے لینکس کرنل کے کوڈ کا تقریباً 7% ہے، جس سے مکمل کوڈ کے تجزیے کے مقابلے میں حفاظتی جانچ کی لاگت نمایاں طور پر کم ہوئی. اس قدم پر API کریڈٹس میں $3,426 خرچ ہوئے.

اس کے بعد تجزیہ کار ایجنٹس نے ہر منتخب حصے کا تجزیہ کیا اور Codex سیکیورٹی پلگ اِن⁠(نئی ونڈو میں کھلتا ہے) جیسے طریقۂ کار سے ممکنہ خامیاں دریافت کیں. مجموعی طور پر، تجزیہ کار ایجنٹس تفویض کردہ حصے کا کوڈ پڑھتے ہیں تاکہ اس کے کام کرنے کا طریقہ سمجھیں، خطرات کا مفروضاتی خاکہ متعین کریں اور اس میں خامیاں تلاش کریں.

12 گھنٹوں میں تجزیہ کار ایجنٹس نے دہرائے گئے نتائج نکالنے کے بعد 2,308 ممکنہ خامیاں پیش کیں. اس مرحلے پر API کریڈٹس میں $316,549 خرچ ہوئے.

کسی ممکنہ خامی کی نشاندہی، اس کی تصدیق کے برابر نہیں ہے. اتنے بڑے پیمانے پر ہر رپورٹ کی دستی تحقیق ہماری تحقیقی ٹیم کے لیے قابلِ عمل نہیں ہے.

اس لیے ہم نے ان خامیوں کی توثیق پر توجہ دی جو الف) کم اختیارات والے صارف کی پہنچ میں ہوں، ب) کسی خصوصی صلاحیت کی متقاضی نہ ہوں، اور ج) میموری میں بگاڑ کا قابلِ پیمائش ثبوت پیدا کریں.

ہر ممکنہ خامی کے لیے ایک ابتدائی چھان بین کرنے والے ایجنٹ نے عملی ثبوت بنایا اور اسے الگ تھلگ ورچوئل مشین میں چلایا، جس پر کرنل ایڈریس سینیٹائزر (KASAN) کے ساتھ لینکس کرنل چل رہا تھا. ایجنٹ نے پروگرام کے نتائج اور سسٹم کنسول دونوں کا مشاہدہ کیا، پھر عملی ثبوت میں بار بار بہتری لاتا رہا، یہاں تک کہ رپورٹ کردہ رویہ دوبارہ پیدا ہوگیا یا اسے پیدا کرنے کے تمام ممکنہ طریقے آزمائے جا چکے.

30 گھنٹوں میں ہمارے نظام نے 1724 خامیاں دوبارہ پیدا کیں، جو 2,308 ممکنہ خامیوں کا تقریباً 74.7% تھیں. صرف کوڈ چلائے بغیر جائزہ لینے سے غلط مثبت نتائج آ سکتے ہیں. اس لیے ہم تجزیہ کار ایجنٹس کی درستگی اور چھان بین کرنے والے ایجنٹس کی اس کارکردگی سے متاثر ہوئے کہ انہوں نے تقریباً تین چوتھائی ممکنہ خامیوں کے لیے خودمختار طور پر مؤثر عملی ثبوت بنا لیے.

باقی نتائج میں سے بیشتر کے لیے بلند اختیارات درکار تھے، یا انہیں مقررہ وقت میں دوبارہ پیدا نہیں کیا جا سکا. اس کی وجوہ میں پیچیدہ ریس کنڈیشنز، مخصوص محرک شرائط (مثلاً کسی مخصوص سطر پر میموری مختص کرنے کی ناکامی)، یا وقت طلب توثیق (مثلاً حوالہ شمار کا حد پار کرکے دوبارہ ابتدا پر آ جانا) شامل تھیں. صرف 3.1% نتائج ماڈل کے غلط تجزیے کی عکاسی کرتے تھے، جن میں رپورٹ کردہ خامی کے لیے ایک ناممکن شرط فرض کی گئی تھی.

توثیق کے مرحلے پر API کریڈٹس میں مجموعی طور پر $73,330 خرچ ہوئے. ہم نے دیکھا کہ ہماری توثیقی پائپ لائن میں کسی ممکنہ خامی کے حقیقی ہونے کی تصدیق کے لیے عملی ثبوت بنانا، صرف کوڈ کے غیر اجرائی تجزیے کی بنیاد پر سفارش دینے سے زیادہ مہنگا تھا. درست مثبت اور غلط مثبت نتیجے کی توثیق کی کوشش پر تقریباً یکساں خرچ آتا تھا. اس لیے پائپ لائن کے ابتدائی مراحل میں غلط مثبت نتائج نکال دینے سے لاگت میں نمایاں بچت ہوتی ہے.

توثیق سے ثابت ہوتا ہے کہ خامی حقیقی ہے، لیکن یہ نہیں کہ اسے کتنی فوری توجہ درکار ہے. مثلاً، مقامی اختیارات بڑھانے والی خامی کو اس خامی سے زیادہ ترجیح ملنی چاہیے جو صرف مقامی طور پر سروس کی بندش کا باعث بن سکتی ہو. 1,724 خامیوں کی تصدیق کے بعد اگلا کام ان کی نشاندہی کرنا تھا جن کے حفاظتی اثرات سب سے زیادہ سنگین ہو سکتے تھے.

ابتدائی چھانٹی کرنے والے ایجنٹ نے ہر رپورٹ، کریش لاگ اور متعلقہ ماخذ کوڈ کا بغیر چلائے جائزہ لیا. ممکنہ طور پر سنگین نتائج ضائع ہونے سے بچانے کے لیے اس کی چھانٹی جان بوجھ کر نرم رکھی گئی، مگر ایسے معاملات نکال دیے گئے جن میں استحصال کا کوئی معقول راستہ نہ تھا. اس سے نتائج محدود ہو کر معلومات کے افشا کی 313 اور مقامی اختیارات بڑھانے کی 1,238 ممکنہ خامیاں رہ گئیں.

پھر استحصالی کوڈ تیار کرنے والے (ExploitDev) ایجنٹس نے ان ممکنہ خامیوں کو الگ تھلگ ورچوئل مشینوں میں آزمایا. ان میں معیاری لینکس تقسیم کے حفاظتی اقدامات فعال تھے، جن میں سپروائزر موڈ میں اجرا کی روک تھام (SMEP)، سپروائزر موڈ میں رسائی کی روک تھام (SMAP)، کرنل ایڈریس اسپیس کی ترتیب کو بے ترتیب بنانا (KASLR)، اور HARDENED_USERCOPY شامل ہیں. اس سے ایسے غیر حقیقی جائزوں سے بچنے میں مدد ملی جو حفاظتی اقدامات غیر فعال ہونے پر منحصر ہوں.

ایجنٹس نے معلومات کے افشا کے 291 عملی ثبوت اور مقامی اختیارات بڑھانے والے 1,169 مؤثر استحصالی کوڈ تیار کیے، جو بے اختیار مقامی صارفین کو روٹ رسائی دے سکتے تھے.

ہم نے خامیوں کی مختلف صورتوں کا تجزیہ کیا اور ان استحصالی کوڈ کے پیچھے موجود خامیوں کے لیے 948 الگ پیچ بنائے. ہم منفرد LPE خامیوں کی مجموعی تعداد طے کرنے کے لیے یہی تعداد استعمال کرتے ہیں. کامیاب استحصالی کوڈ تیار کرنے پر اوسطاً $359 کے کریڈٹس خرچ ہوئے. اس طرح محافظوں کے لیے دریافت شدہ خامیوں کے استحصال کا امکان جانچنا نسبتاً کم خرچ ہے.

خامیوں کی ابتدائی چھانٹی کرنے والے ایجنٹ پر API کریڈٹس میں $44,194 خرچ ہوئے. استحصال کے مرحلے پر API کریڈٹس میں کل $775,929 خرچ ہوئے: معلومات کے افشا کی ممکنہ خامیوں پر $84,929 اور مقامی اختیارات بڑھانے کی ممکنہ خامیوں پر $691,000.

اوسطاً مقامی اختیارات بڑھانے کی ایک ممکنہ خامی پر کام کرنے کی لاگت ($558)، معلومات کے افشا کی ایک ممکنہ خامی کی لاگت ($271) سے تقریباً دو گنا تھی. اس کی وجہ یہ ہے کہ معلومات کے افشا کے عملی ثبوت توثیق کے مرحلے سے آگے لائے گئے تھے اور استحصالی کوڈ میں قابلِ استعمال بنانے کے لیے ان میں کم تبدیلی درکار تھی. اس کے برعکس، ممکنہ LPE خامی سے استحصالی کوڈ بنانے میں کئی اضافی قدم درکار تھے، جیسے استحصال کی حکمت عملی بنانا، استعمال کے لیے کمزور آبجیکٹس پہچاننا، حفاظتی اقدامات کو عبور کرنا وغیرہ. ہم نے یہ بھی دیکھا کہ استحصال کی ناکام کوششوں کی لاگت (69 معاملات کے لیے $3,922)، کامیاب کوششوں (1169 معاملات کے لیے $360) سے کہیں زیادہ تھی. اس کی وجہ چند ایسی خامیاں تھیں جن کا استحصال مشکل تھا، مثلاً ریس کنڈیشنز. کوشش روکنے کی کوئی معقول شرط مقرر کرنے سے، مثلاً ایک گھنٹے تک پیش رفت نہ ہونے پر رک جانا، ExploitDev کی لاگت نمایاں طور پر کم ہو سکتی تھی.

ہر تصدیق شدہ خامی کے لیے نظام ایک پیچ بھی بناتا ہے. ہم ماڈل کو متعلقہ ماخذ کوڈ دیتے ہیں اور پیچ لکھنے کے بہترین طریقوں کی ہدایت کرتے ہیں، مثلاً پیچ کو چلائے بغیر جانچنا، آس پاس کے کوڈ میں رائج سافٹ ویئر سازی کے طریقے اپنانا، اور خامی کی مختلف صورتوں کا تجزیہ کرنا تاکہ پیچ مکمل ہو.

لینکس کرنل برادری کی تجویز کے مطابق ہم سنگین خامیوں کی سیکڑوں رپورٹیں اور پیچ پہلے ہی بھیج چکے ہیں، اور باقی پیچ بتدریج بھیجنے کے لیے پیچ دی پلینیٹ کے شراکت داروں کے ساتھ کام کر رہے ہیں. یہ کام اوپن سورس منصوبوں کی معاونت کے لیے ہمارے وسیع تر ڈے بریک عزم کا حصہ ہے.

اس حصے میں ہم اس تحقیق سے حاصل شدہ اسباق، تاثرات اور اضافی تجزیہ پیش کرتے ہیں.

اس تحقیق کے دوران ہم نے دیکھا کہ لینکس کے نگہداشت کار خامیاں درست کرنے اور صارفین کی حفاظت کے لیے تیزی سے کام کر رہے ہیں. اسکین اکتوبر 2026 کے وسط میں تازہ ترین لینکس کرنل پر کیا گیا تھا. 10 دن بعد جب خودمختار اسکین اور دستی تجزیہ مکمل ہوا، تب تک 61 LPE خامیوں کے پیچ اصل منصوبے میں شامل ہو چکے تھے، 43 کے ابتدائی پیچ تیار تھے، اور 299 کی رپورٹنگ اور ان پر بحث عوامی سطح پر جاری تھی.

ہم لینکس کے ان نگہداشت کاروں کی بہت قدر کرتے ہیں جو شناخت شدہ مسائل کے پیچ فوری طور پر تیار کر رہے ہیں، اور اس وسیع حفاظتی برادری کی بھی جو اپنی دریافتوں سے تعاون کر رہی ہے. دنیا کے سافٹ ویئر کو محفوظ بنانے کے لیے اسی اجتماعی کوشش کی ضرورت ہے. خامیوں کے افشا اور پیچ سازی کی تیز رفتار اس بات کی اہمیت بھی واضح کرتی ہے کہ صارفین اور کمپنیاں سافٹ ویئر تازہ ترین رکھیں.

اہم سبق: خودکار چھان بین میں پیچ سازی کے تیز رفتار سلسلے کو مدنظر رکھنا چاہیے. تازہ ترین کوڈ، بشمول اصل اسکین کے بعد شامل کیے گئے نئے کوڈ، کے مقابل نتائج کی دوبارہ توثیق سے دہرائی ہوئی یا غیر متعلق ہو چکی رپورٹوں سے بچنے میں مدد ملتی ہے. اس سے توجہ غیر حل شدہ خامیوں پر رہتی ہے اور نگہداشت کاروں کو ایسے شواہد ملتے ہیں جن پر وہ جائزے کا غیر ضروری بوجھ اٹھائے بغیر کارروائی کر سکتے ہیں.

جولائی 2026 کے آخر میں، جب ہم پائپ لائن تیار کر رہے تھے، GPT‑5.6 Sol نے 166 منفرد LPE خامیاں تلاش کیں اور ان کا استحصال کیا. اس پورے عمل پر API کریڈٹس میں $513,690 خرچ ہوئے.

اکتوبر 2026 کے وسط میں دوسرے اسکین کے دوران نئے سائبر ماڈل نے 948 منفرد LPE خامیاں تلاش کیں اور ان کا استحصال کیا. اس پورے عمل پر API کریڈٹس میں $1,213,430 خرچ ہوئے. دونوں مہموں میں ہم نے اس وقت کی تازہ ترین لینکس کرنل ماسٹر برانچ کو اسکین کیا.

اہم سبق: ماڈلز کی صلاحیتیں بہتر ہونے پر پہلے سے جانچے گئے کوڈ کو دوبارہ اسکین کریں. زیادہ قابل ماڈل ایک ہی تحقیقی ہارنیس استعمال کرتے ہوئے بھی وہ خامیاں دریافت کر سکتا ہے جو پہلے کے ماڈلز سے رہ گئی ہوں.

ہم نے ایجنٹس کے تیار کردہ 166 استحصالی کوڈ بطور نمونہ منتخب کیے اور ان میں استعمال شدہ استحصالی تکنیکوں کا تجزیہ کیا. ہماری معلومات کے مطابق، ایجنٹس نے ان منتخب استحصالی کوڈ میں 10 نئی تکنیکیں استعمال کیں. ہم نے یہ تکنیکیں بیرونی کرنل استحصال کے ماہرین کو دکھائیں، اور یہ ان کے لیے بھی نئی تھیں.

ان 10 تکنیکوں میں دو نئے مستقل، لچک دار آبجیکٹس ہیں جنہیں ماڈل نے ہدف کرنل کیش میں کثرت سے آبجیکٹس بھرنے کے لیے استعمال کیا؛ دو میموری پیجز کو ترتیب دینے کی نئی تکنیکیں ہیں جو استحصالی کوڈ کی قابلِ اعتماد کارکردگی بہتر کرتی ہیں؛ پانچ صرف ڈیٹا پر مبنی نئی تکنیکیں ہیں جو براہِ راست یا من مانی جگہ لکھنے کے ذریعے اختیارات بڑھاتی ہیں؛ اور ایک تکنیک میں من مانا ٹائپ کنفیوژن استعمال ہوتا ہے. حفاظتی وجوہ کی بنا پر ہم اس تحریر میں ان نئی استحصالی تکنیکوں کی مکمل فنی تفصیلات شامل نہیں کر رہے.

اہم سبق: جدید ترین ماڈلز صرف معلوم خامیوں والے کوڈ کے نمونوں سے مماثلت نہیں ڈھونڈتے اور نہ صرف معلوم استحصالی تکنیکیں استعمال کرتے ہیں؛ وہ تخلیقی صلاحیت اور نئے طریقے بھی دکھاتے ہیں.

ہماری ٹیم کے مشن کا ایک اہم حصہ خامیاں تلاش کرنے اور ان کا استحصال کرنے کی لاگت ناپنا اور ان شواہد سے دفاعی سرمایہ کاری کی سمت طے کرنا ہے. ہمارا مقصد محافظوں کو حملہ آوروں سے پہلے خامیاں درست کرنے میں مدد دینا، اور سافٹ ویئر کا استحصال حملہ آوروں کے لیے ناقابلِ برداشت حد تک مہنگا بنانا ہے. استحصال کی لاگت ناپنے سے ہمیں جانچنے میں مدد ملتی ہے کہ ماڈلز کی صلاحیت بہتر ہونے کے ساتھ یہ چیلنج کیسے بدلتا ہے. اس حصے میں ہم اپنی پائپ لائن چلانے کی لاگت کا موازنہ دریافت شدہ خامیوں کے لیے انعامی پروگراموں کی رقوم سے کرتے ہیں.

ہمارے تجربے میں ہدف ورچوئل مشینوں پر معیاری ڈیسک ٹاپ آپریٹنگ سسٹم چل رہا تھا، نہ کہ جان بوجھ کر کمزور بنایا گیا ہدف. خطرات کا مفروضاتی خاکہ وہی تھا جو سائبر حفاظتی مقابلوں میں استعمال ہوتا ہے، مثلاً Pwn2Own⁠(نئی ونڈو میں کھلتا ہے) اور TyphoonPWN⁠(نئی ونڈو میں کھلتا ہے). ماضی میں Pwn2Own اور TyphoonPWN نے لینکس کرنل میں مقامی اختیارات بڑھانے والے استحصالی کوڈ کے لیے بالترتیب $20,000 اور $70,000 کے انعامات پیش کیے تھے. ان سابقہ انعامی رقوم کو 948 استحصالی کوڈ پر لاگو کرنے سے فرضی مالیت $18.9 ملین سے $66.3 ملین بنتی ہے، جو ہماری پائپ لائن کی لاگت سے تقریباً 16 سے 55 گنا ہے.

ہم نے گوگل کے خامیوں کے انعامی پروگرام kernelCTF⁠(نئی ونڈو میں کھلتا ہے) پر بھی اپنی پائپ لائن آزمائی، جس کا ہدف ایسا لینکس کرنل ہے جس کا تحفظ مضبوط اور قابلِ حملہ حصے کم کیے گئے ہیں. ہم نے kernelCTF کے ماحول میں لینکس کرنل کے تازہ ترین نسخے پر پائپ لائن چلائی اور معلومات کے افشا کے 25 عملی ثبوت اور مقامی اختیارات بڑھانے والے 21 استحصالی کوڈ حاصل کیے. یہ نسخہ kernelCTF کے حفاظتی اقدام SLAB_VIRTUAL سے مطابقت نہیں رکھتا تھا، اس لیے ہم نے اسے ترتیبات سے نکال دیا. موازنے کے لیے، تحریر کے وقت تک kernelCTF نے 2026 میں 26 تصدیق شدہ زیرو ڈے LPE استحصالی کوڈ قبول کیے ہیں. پوری مہم مجموعی طور پر 112 گھنٹے جاری رہی اور API کریڈٹس میں تقریباً $32,936 خرچ ہوئے. API کی لاگت کا 83.7% خامیوں کی دریافت پر صرف ہوا. اگر پروگرام ان 21 خامیوں کو قبول کر لے، تو تقریباً $1.5 ملین کا انعام ملے گا، جو لاگت سے تقریباً 45 گنا ہے.

اہم سبق: علانیہ انعامی رقوم کی بنیاد پر، موجودہ سائبر صلاحیت رکھنے والے ماڈلز کے ساتھ ہماری خامیوں کی تحقیقی پائپ لائن اس تحقیق کے وقت اخراجات نکالنے کے بعد بھی منافع بخش تھی. محافظوں کو اپنے سافٹ ویئر کا پیشگی تجزیہ کرنا چاہیے تاکہ حملہ آوروں کے لیے اس کا استحصال ناقابلِ برداشت حد تک مہنگا ہو جائے.

استحصال کے امکان کی جانچ کے دوران ExploitDev ایجنٹس کو خامی کی رپورٹ دے کر مکمل طور پر کام کرنے والا استحصالی کوڈ بنانے کا کام سونپا گیا. ہماری پائپ لائن کسی خامی کو کامیابی سے استحصال شدہ تب قرار دیتی تھی جب روٹ شیل حاصل ہو جاتا تھا. ایک ابتدائی اجرا میں، استحصال کے مرحلے نے مقامی اختیارات بڑھانے والے 200 کامیاب استحصالی کوڈ کی اطلاع دی. تاہم انسانی جائزے کے بعد ہمیں معلوم ہوا کہ ان میں سے 20 نے تفویض کردہ خامی کے بجائے ایک مختلف زیرو ڈے خامی کے ذریعے روٹ اختیارات حاصل کیے تھے. اس سے ظاہر ہوتا ہے کہ ایجنٹس کے کامیاب استحصال کی بھی مناسب توثیق ضروری ہے.

اس کے بعد ہم نے کام کی پابندیاں سخت کیں اور ایک آزاد جانچ شامل کی جو تصدیق کرتی ہے کہ ہر حتمی استحصالی کوڈ نے اسی کی تفویض کردہ خامی استعمال کی.

اہم سبق: خودمختار حفاظتی تحقیق میں نتیجے کے ساتھ ساتھ اس تک پہنچنے کے راستے کی بھی تصدیق کریں؛ الگ تھلگ رکھنا، نگرانی اور آزاد جانچ ضروری حفاظتی تدابیر ہیں.

اس تحقیق کے آغاز میں ہم نے اس ڈیزائن فیصلے کا جائزہ لیا کہ آیا ایجنٹ کی سائبر صلاحیت بہتر کرنے کے لیے اس کے گرد ایک وسیع انتظامی و رابطہ کاری نظام بنانا چاہیے. ہمارے نتیجے سے ظاہر ہوا کہ زیادہ طاقتور ماڈلز کو کم انتظامی رابطہ کاری اور قدم بہ قدم رہنمائی درکار ہوتی ہے. اور معمولی اضافی بہتری نگہداشت کی لاگت کا جواز نہیں بنتی. اس لیے ہم نے بھاری انتظامی نظام ہٹانے کا فیصلہ کیا.

اس تجربے میں GPT‑5.5 Cyber اور GPT‑5.6 Cyber کا موازنہ کیا گیا. ہمارے مشاہدے میں، GPT‑5.5 Cyber مستقل طور پر یہ پہچان نہیں پاتا تھا کہ لینکس کرنل کی موجودہ استحصالی تکنیکیں کب اور کیسے استعمال کی جائیں. پھر ہم نے 103 تکنیکیں ماڈل کے لیے موزوں شکل میں مرتب کیں، انہیں ایجنٹ کے ماحول میں دستیاب کیا اور ایجنٹ کو ان کے استعمال کی ہدایت دی. استحصال کے لیے منتخب 63 ممکنہ خامیوں میں اس سے کامیابی کی شرح 76.2% سے بڑھ کر 88.9% ہوگئی.

جب ہم نے یہی تجربہ GPT‑5.6 Cyber کے ساتھ دہرایا، تو ماڈل خود ہی متعلقہ تکنیکیں تلاش، منتخب اور استعمال کرنے میں زیادہ قابل تھا. ہم نے تکنیکوں اور مہارتوں کی انتظامی رہنمائی ہٹا دی، اور اس کم رہنمائی والے GPT‑5.6 Cyber طریقۂ کار نے زیادہ معاون ڈھانچے والے GPT‑5.5 Cyber طریقۂ کار سے بہتر کارکردگی دکھائی. GPT‑5.6 Cyber کے لیے تکنیکوں کی اضافی تہہ دوبارہ شامل کرنے سے صرف 1.5 فیصد پوائنٹ کی معمولی بہتری آئی.

اہم سبق: بنیادی ماڈل کی صلاحیتیں بدلنے پر اپنی انتظامی رابطہ کاری اور ہارنیس کا دوبارہ جائزہ لیں. جو معاون ڈھانچہ ماڈل کی ایک نسل کو نمایاں طور پر بہتر بناتا ہے، وہ زیادہ طاقتور ماڈل کے لیے معمولی فائدہ دے سکتا ہے؛ اس لیے اس کی افادیت کو نگہداشت کی لاگت کے مقابل جانچنا چاہیے.

ابتدا میں، مجوزہ پیچ بنانے کی براہِ راست ہدایت پر ماڈل ایسے پیچ بناتا تھا جو درست کام کرتے اور عملی ثبوت کا اثر روکتے تھے، مگر کبھی کبھار دیگر مسائل پیدا کرتے تھے: ضرورت سے زیادہ کوڈ لکھنا، کارکردگی پر ممکنہ منفی اثر ڈالنا، کوڈنگ کے رواج سے ہٹنا، یا متعلقہ کوڈ میں اسی خامی کی دوسری صورتیں نہ جانچنا، جس سے پیچ نامکمل رہ جاتے تھے.

اضافی ہدایات اور پیچ سازی کے عمل میں بار بار اصلاح سے پیچوں کا معیار بہتر ہوا. اس سے ظاہر ہوتا ہے کہ مناسب طریقہ اپنانے پر AI کے بنائے ہوئے حفاظتی پیچ درست، کم سے کم اور موجودہ کوڈ کے رواج سے ہم آہنگ ہو سکتے ہیں. اس شعبے میں تحقیق جاری ہے، اور ہمارا ماننا ہے کہ مستقبل کے ماڈلز سے یہ عمل زیادہ آسان اور مؤثر ہوگا. چند معاملات میں ہمارا تحقیقی ابتدائی نمونہ انسانی ماہرین کے لکھے ہوئے پیچوں میں بھی مسائل پہچان سکا، جنہیں شامل کیے جانے سے پہلے درست کر لیا گیا.

اہم سبق: ماڈلز پیچ سازی تیز کر سکتے ہیں، مگر پیچ سازی کی مہارتوں اور ہارنیس میں بار بار اصلاح درکار ہو سکتی ہے تاکہ پیچ فعلی اور غیر فعلی، دونوں تقاضے قابلِ اعتماد طور پر پورے کریں. اس کے علاوہ ہم انسانی اور AI کے بنائے ہوئے پیچوں کا حملہ آور کے نقطۂ نظر سے جائزہ لینے کے لیے ماڈلز استعمال کرنے کی سفارش کرتے ہیں. اس سے پیچ کو عبور کرنے کے امکان، حملے کے نظر انداز شدہ راستوں یا متبادل صورتوں اور دیگر مسائل کی نشاندہی ہو سکتی ہے.

kernelCTF پر ہمارے اجرا میں، لینکس کرنل کے 21 زیرو ڈے استحصالی کوڈ کے علاوہ ہمارے تحقیقی ابتدائی نمونے نے QEMU TCG کی ایک خامی بھی تلاش کی اور اس کا استحصال کیا. تجزیہ کار ایجنٹ کو سسٹم کال کے داخلی کوڈ کا تجزیہ سونپا گیا تھا. اختیارات کی تبدیلی آزمانے کے لیے پروگرام لکھتے وقت اسے کرنل کے غیر متوقع کریش کا سامنا ہوا. اس نے کریش کی چھان بین کی اور QEMU کے ماخذ کوڈ تک رسائی کے بغیر مسئلے کا سراغ QEMU TCG تک لگایا، پھر خامی کو رپورٹ میں شامل کیا. اس کے بعد ExploitDev ایجنٹ نے اس خامی کے لیے مقامی اختیارات بڑھانے والا استحصالی کوڈ کامیابی سے تیار کیا. ہمیں استحصالی کوڈ کے دستی تجزیے کے دوران QEMU کی یہ خامی معلوم ہوئی، اور ہم نے تصدیق کی کہ اسے اصل QEMU منصوبے میں درست کیا جا چکا تھا، مگر تجربے میں استعمال شدہ جاری کردہ بلڈ میں نہیں.

اہم سبق: سائبر صلاحیت رکھنے والے جدید ترین ماڈلز آزمائشی بنیادی ڈھانچے میں خامیاں تلاش کر سکتے ہیں. ہم حملہ آور طریقوں سے خامیوں کی تحقیق شروع کرنے سے پہلے بنیادی ڈھانچے کے ہر حصے کی جانچ کی سفارش کرتے ہیں. ہم نے اپنے بنیادی ڈھانچے کی پیشگی جانچ کی ہے، اور Kata، Moby/Docker، gVisor اور دیگر منصوبوں میں بہت سی خامیاں ظاہر کرکے ان کے پیچ تیار کیے ہیں.

ہمارا مقصد ماڈلز کی بڑھتی صلاحیت کو انٹرنیٹ کی حفاظت کرنے والوں کے لیے ایک پائیدار برتری میں بدلنا ہے. یہ تحقیق ظاہر کرتی ہے کہ جدید ترین ماڈلز کی بڑھتی سائبر صلاحیت کو لینکس کرنل جیسے پیچیدہ سافٹ ویئر میں حفاظتی خامیاں مؤثر طور پر تلاش کرنے کے لیے استعمال کیا جا سکتا ہے. لینکس اور دیگر اوپن سورس منصوبوں جیسے اہم سافٹ ویئر کا تحفظ مضبوط بنانے سے ان پر انحصار کرنے والے بہت سے نظاموں اور صارفین کی حفاظت ہو سکتی ہے.

ڈے بریک کے اقدام پیچ دی پلینیٹ کے ذریعے ہم اس تحقیق کو مزید اہم سافٹ ویئر منصوبوں تک پھیلانا اور نگہداشت کاروں اور حفاظتی شراکت داروں کے ساتھ قابلِ اعتماد خودکار پیچ سازی تیار کرنا چاہتے ہیں. ہم حملہ آوروں کو دستیاب مواقع بتدریج کم کرنا اور خامیاں تلاش کرنے اور ان سے فائدہ اٹھانے کی لاگت اتنی بڑھانا چاہتے ہیں کہ متوقع فائدہ حملے کا جواز نہ بن سکے.

ماڈلز کی ہر نسل کو ایسا سافٹ ویئر بنانے میں ہماری مدد کرنی چاہیے جس کی حفاظت توڑنا اگلی نسل کے لیے زیادہ مشکل ہو. ہم ایک محفوظ انٹرنیٹ بنانے کے لیے کام جاری رکھیں گے جس پر ہر کوئی خوش دلی سے نئی چیزیں تخلیق کر سکے.