← Të gjithë artikujt

Pipeline i Linux privilege escalation prodhon 948 exploits

Pipeline i Linux privilege escalation prodhon 948 exploits

Kërkimi i OpenAI mbi Linux privilege escalation prodhoi 948 exploits funksionale gjatë një procesi 30-orësh, duke treguar se sa shpejt mund të gjejë dhe të riprodhojë tani inteligjenca artificiale e avancuar dobësi serioze të sistemeve operative. local privilege escalation (LPE) është një dobësi sigurie që i lejon dikujt me akses të kufizuar në një kompjuter të fitojë leje më të fuqishme, duke arritur potencialisht root access, nivelin më të lartë të kontrollit në një sistem Linux.

OpenAI tha të mërkurën se prototipi i saj shqyrtoi 2,308 gjetje të mundshme në Linux kernel, pjesa qendrore e software që menaxhon memorien, hardware dhe programet në ekzekutim të një sistemi Linux. Ai riprodhoi në mënyrë dinamike 1,724 dobësi, që do të thotë se i aktivizoi ato në një mjedis testimi në funksionim, në vend që t’i vlerësonte vetëm duke lexuar source code. Më pas, sistemi krijoi 948 LPE exploits që mund t’i lejonin një përdoruesi lokal pa privilegje të merrte root access. Një exploit është kod ose një varg veprimesh që përdor një dobësi për të shkaktuar një rezultat të paqëllimshëm.

Puna zgjeron kërkimin e bërë publik në qershor 2026, kur OpenAI tha se modeli i saj GPT-5.5-Cyber kishte zbuluar 24 LPE exploits. Për projektin më të ri, kompania e shndërroi atë proces në një agentic pipeline, ku AI agents kryejnë një varg detyrash të ndërlidhura me objektiva të përcaktuara dhe ia kalojnë rezultatet fazës pasuese. Procesi në mesin e tetorit 2026 përdori një model të ardhshëm të fokusuar te siguria kibernetike dhe synoi një distribution Linux të përdorur gjerësisht, megjithëse OpenAI nuk e identifikoi atë distribution.

Pipeline kishte pesë faza. Gjatë vulnerability discovery, agents përzgjodhën pjesë të code që kishin rëndësi për sigurinë dhe që mund të arriheshin nga përdorues me privilegje të ulëta, pastaj kërkuan në to defekte të mundshme. Dynamic validation u përpoq të riprodhonte çdo gjetje brenda një sandbox, një mjedis i izoluar që synon të kufizojë aktivitetin potencialisht të dëmshëm, duke ruajtur njëkohësisht provat nga sistemi në funksionim. Exploitability assessment kontrolloi nëse defektet e konfirmuara mund të ekspozonin informacion ose të mundësonin LPE dhe gjeneroi një proof of concept (PoC), që është kod demonstrues i cili tregon se një dobësi mund të përdoret.

Në fazën e katërt, agents gjeneruan patch të propozuara, të cilat janë ndryshime në software që synojnë të korrigjojnë dobësitë. Faza përfundimtare mbeti nën drejtimin e njerëzve: kërkuesit e sigurisë shqyrtuan exploit, patch dhe nivelin e propozuar të rrezikshmërisë përpara se t’ua raportonin çështjen maintainers përkatës. Ky shqyrtim njerëzor është i rëndësishëm, sepse krijimi i code që duket se ndalon një test nuk vërteton në vetvete se një patch është i saktë, i pajtueshëm me codebase ekzistuese ose rezistent ndaj varianteve të një sulmi.

Brenda procesit 30-orësh, pipeline riprodhoi 1,724 dobësi dhe gjeneroi PoC për 291 dobësi information leak, si edhe 948 LPE exploits funksionale. OpenAI raportoi një kosto totale prej 1,213,430 dollarësh në kredite të application programming interface (API), e barasvlershme me 1,279 dollarë për çdo LPE exploit. Një API është një mënyrë e përcaktuar që software të kërkojë shërbime nga një sistem tjetër, në këtë rast akses te modeli AI.

OpenAI beson se agents zbuluan dhe përdorën të paktën 10 teknika të panjohura më parë për shfrytëzimin e Linux. Ato përfshinin dy persistent elastic objects të reja për object spraying në një kernel cache të synuar, që do të thotë mbushje e përsëritur e një zone të zgjedhur të memories së kernel me objekte të zgjedhura; dy teknika page grooming që synonin ta organizonin memorien në mënyra që përmirësonin besueshmërinë e exploit; dhe pesë metoda data-only për marrjen e privilegjeve të ngritura, drejtpërdrejt ose përmes arbitrary write, aftësisë për të vendosur të dhëna të zgjedhura nga sulmuesi në një vendndodhje të paqëllimshme të memories. Teknika e dhjetë përdori arbitrary type confusion, ku software i trajton të dhënat si llojin e gabuar të objektit dhe, si pasojë, kryen operacione të paqëllimshme në memorie.

Rezultatet ilustrojnë të dyja anët e kërkimit të sigurisë me ndihmën e AI. Mbrojtësit mund të përshpejtojnë zbulimin dhe verifikimin e dobësive, si edhe krijimin e patch, por mund të nevojiten ende udhëzime shtesë, përsëritje dhe shqyrtim nga ekspertët përpara se një zgjidhje e propozuar të jetë e përshtatshme për përdorim. OpenAI argumentoi se ndërthurja e zbulimit më të shpejtë me automated patch generation mund të shkurtojë periudhën gjatë së cilës sistemet mbeten të ekspozuara dhe ta bëjë shfrytëzimin në shkallë të gjerë më të kushtueshëm për sulmuesit.

Të njëjtat aftësi janë në dispozicion të përdoruesve keqdashës. Në një raport të publikuar muajin e kaluar, VulnCheck e quajti AI-assisted vulnerability discovery një kategori rreziku në rritje, sepse mund t’u lejojë hacker fillestarë, me pak ose aspak ekspertizë teknike, të identifikojnë dobësi në software. Mjete të tilla mund t’i ndihmojnë gjithashtu sulmuesit të zbulojnë dhe ta kthejnë në armë një zero-day vulnerability, që është një dobësi e shfrytëzuar ose e përdorshme përpara se të vihet në dispozicion një zgjidhje efektive, duke rritur njëkohësisht numrin e sistemeve që ia vlen të synohen.

Google Threat Intelligence Group raportoi se publikimet mujore të dobësive u rritën më shumë se dyfish gjatë vitit 2026, nga 5,045 në janar në 10,740 në gusht. Publikimet e klasifikuara me rrezik të lartë u rritën nga 131 në 350 gjatë së njëjtës periudhë, duke përfaqësuar një rritje prej 167%. Këto shifra numërojnë dobësitë e bëra publike dhe nuk vërtetojnë se AI ishte përgjegjëse për çdo rritje, por tregojnë volumin në rritje që maintainers të software dhe ekipet IT duhet të përpunojnë.

Në një vlerësim të publikuar të martën, National Cyber Security Centre i Mbretërisë së Bashkuar tha se disponueshmëria e gjerë e mjeteve kibernetike të fuqizuara nga AI pothuajse me siguri ka shkaktuar një rritje të konsiderueshme të zbulimit të zero-day vulnerability. Ai konstatoi gjithashtu se mjetet mbrojtëse e kanë shkurtuar kohën që i duhet një dobësie për të kaluar nga statusi zero-day në një N-day vulnerability, që do të thotë një dobësi e njohur publikisht dhe për të cilën mund të ekzistojë tashmë një patch. Patching është bërë më i shpejtë, por NCSC paralajmëroi se sistemet mbeten të ekspozuara kur teknologjia mbrojtëse nuk konfigurohet siç duhet ose nuk vendoset në përdorim gjerësisht.

NCSC tha se organizatat do të duhet t’i përshtatin proceset e brendshme të patching dhe testimit me ritmin më të shpejtë të zbulimit. Ai vlerësoi gjithashtu se sulmuesit po tregohen më pak të kujdesshëm ndaj humbjes së aksesit në sistemet e komprometuara, sepse AI mund të ulë koston e zëvendësimit të atij aksesi. Rreziku dhe kostoja më e ulët e kanë zgjeruar gamën e aktiviteteve për të cilat përdoren aftësitë kibernetike, duke ua bërë më të lehtë kundërshtarëve të marrin informacion dhe ta përdorin atë në operacione.

OpenAI tha se vulnerability discovery nga frontier models, që do të thotë gjenerata e tanishme më e aftë e sistemeve AI, duhet të shoqërohet nga automated patch generation. Ajo pret që patch të gjeneruara nga AI të bëhen funksionalisht të sakta, në përputhje me coding style të një projekti ekzistues dhe rezistente ndaj varianteve të sulmeve, kur udhëhiqen përmes shqyrtimeve të përsëritura nga ekspertë njerëzorë. Për periudhën e afërt dhe afatmesme, kompania paralajmëroi se dhënia e një llogarie me privilegje të ulëta një sulmuesi me burime të shumta, në një sistem operativ pa patch më të fundit të disponueshme, duhet trajtuar praktikisht njësoj sikur atij sulmuesi t’i jepej root access.

Për organizatat që po përshtatin sistemet dhe proceset e tyre të patching me këtë mjedis më të shpejtë, AEU-I ofron IT, infrastrukturë dhe konsulencë me sigurinë si përparësi.

Disponueshëm edhe në: EnglishDeutschItaliano