Κυβερνοασφάλεια

Η υποδομή του OpenAI εντοπίζει 948 ευπάθειες κλιμάκωσης προνομίων στον πυρήνα του Linux

mm
Προσθέστε το Unite.AI στις προτιμώμενες πηγές σας στο Google

Στις 4 Νοεμβρίου 2026, το OpenAI ανέφερε ότι μια πρωτότυπη υποδομή, η οποία χρησιμοποιεί ένα επερχόμενο μοντέλο κυβερνοασφάλειας, εντόπισε και εκμεταλλεύτηκε 948 μοναδικές ευπάθειες τοπικής κλιμάκωσης προνομίων στο Linux, κατά τη διάρκεια μιας ερευνητικής δοκιμής στα μέσα Οκτωβρίου 2026, ενώ παράλληλα δημιούργησε υποψήφιες διορθώσεις προς εξέταση από τους συντηρητές.

Οι ευπάθειες θα μπορούσαν να επιτρέψουν σε τοπικό χρήστη χωρίς προνόμια να αποκτήσει πρόσβαση root. Οι δοκιμές πραγματοποιήθηκαν σε απομονωμένες εικονικές μηχανές με τυπικό λειτουργικό σύστημα για υπολογιστές, όπου ήταν ενεργοποιημένα τα SMEP, SMAP, KASLR και HARDENED_USERCOPY, και όχι σε έναν σκόπιμα αποδυναμωμένο στόχο. Το OpenAI επέλεξε το Linux επειδή ο πυρήνας του περιλαμβάνει περισσότερες από 40 εκατομμύρια γραμμές κώδικα και αποτελεί τη βάση για συσκευές Android, υποδομές cloud και υπερυπολογιστές, προσφέροντας έτσι μια δοκιμή της αυτοματοποιημένης έρευνας σε μια βάση κώδικα τέτοιας κλίμακας και σημασίας.

Από τα αρχικά ευρήματα σε λειτουργικά exploits

Η υποδομή συνδέει τον εντοπισμό ευπαθειών, τη δυναμική επικύρωση, την αξιολόγηση της δυνατότητας εκμετάλλευσης, τη δημιουργία διορθώσεων και τον ανθρώπινο έλεγχο. Οι πράκτορες αναγνώρισης επιλέγουν κώδικα με βάση το κατά πόσο είναι προσβάσιμος σε χρήστες με χαμηλά προνόμια και τη σημασία του για την ασφάλεια· στη συνέχεια, οι πράκτορες ανάλυσης εξετάζουν τους στόχους. Οι πράκτορες διαλογής δημιουργούν και βελτιώνουν αποδείξεις εγκυρότητας της ιδέας (proofs of concept) μέσα σε εικονικές μηχανές που εκτελούν πυρήνες με ενεργοποιημένο το Kernel Address Sanitizer, διατηρώντας στοιχεία από την εκτέλεση αντί να βασίζονται αποκλειστικά στη στατική ανάλυση. Κάθε ολοκληρωμένο ερευνητικό πακέτο περιλαμβάνει ανάλυση της βασικής αιτίας, μια ελάχιστη απόδειξη εγκυρότητας της ιδέας που προκαλεί κατάρρευση, μια υποψήφια διόρθωση και ένα πλήρες exploit.

Το OpenAI δήλωσε ότι οι πράκτορες αναγνώρισης επέλεξαν 5.034 στόχους για έλεγχο, οι οποίοι κάλυπταν περίπου 2,8 εκατομμύρια γραμμές κώδικα, δηλαδή περίπου το 7% του πυρήνα. Οι αναλυτές παρήγαγαν 2.308 υποψήφια ευρήματα, αφού αφαίρεσαν τα διπλότυπα, μέσα σε 12 ώρες, ενώ η δυναμική επικύρωση αναπαρήγαγε 1.724 ευπάθειες μέσα σε 30 ώρες. Τα περισσότερα από τα υπόλοιπα ευρήματα απαιτούσαν αυξημένα προνόμια ή δεν μπορούσαν να αναπαραχθούν εντός του διαθέσιμου χρονικού ορίου· μόνο το 3,1% οφειλόταν σε εσφαλμένη ανάλυση του μοντέλου.

Σύμφωνα με το OpenAI, το στάδιο εκμετάλλευσης παρήγαγε 291 αποδείξεις εγκυρότητας της ιδέας για διαρροή πληροφοριών και 1.169 λειτουργικά exploits τοπικής κλιμάκωσης προνομίων. Στη συνέχεια, η ανάλυση παραλλαγών παρήγαγε 948 ξεχωριστές διορθώσεις, και το OpenAI χρησιμοποιεί αυτόν τον αριθμό ως το πλήθος των μοναδικών LPE, εξηγώντας έτσι γιατί ο συνολικός αριθμός ευπαθειών διαφέρει από το ακατέργαστο πλήθος των exploits. Οι διορθώσεις που δημιουργήθηκαν παραμένουν υποψήφιες και πρέπει να εξεταστούν από τους συντηρητές· ο αριθμός 948 δεν αντιστοιχεί σε πλήθος διορθώσεων που έχουν ενσωματωθεί.

Ανθρώπινος έλεγχος και κατάσταση διορθώσεων

Το OpenAI έχει στείλει εκατοντάδες αναφορές και διορθώσεις για κρίσιμες ευπάθειες και σχεδιάζει να διαθέσει σταδιακά τις υπόλοιπες σε συνεργασία με τους εταίρους του «Επιδιορθώστε τον πλανήτη». Στις 22 Ιουνίου 2026, το OpenAI ανακοίνωσε την πρωτοβουλία Daybreak μαζί με την Trail of Bits, συνδυάζοντας την έρευνα με τη βοήθεια της τεχνητής νοημοσύνης με την αξιολόγηση από ειδικούς, ενώ οι συντηρητές διατηρούν τον έλεγχο της διάθεσης των διορθώσεων και της δημοσιοποίησης των ευπαθειών. Η προηγούμενη ανακοίνωση ανέφερε 24 exploits LPE και οκτώ αποδείξεις εγκυρότητας της ιδέας για διαρροή δεικτών πυρήνα από την εργασία του με GPT-5.5 Cyber στο Linux.

Αφού διαπίστωσε ότι 61 LPE είχαν ήδη διορθωθεί στην κύρια γραμμή ανάπτυξης, 43 είχαν διορθώσεις σε δοκιμαστικό κλάδο και 299 είχαν αναφερθεί ή συζητηθεί δημόσια έως το τέλος της δεκαήμερης σάρωσης και της χειροκίνητης ανάλυσης, το OpenAI συνέστησε να επανελέγχονται τα ευρήματα με βάση τον τρέχοντα κώδικα, συμπεριλαμβανομένων των μεταγενέστερων ενσωματώσεων αλλαγών, ώστε να αποφεύγονται διπλές ή παρωχημένες αναφορές. Στόχος είναι οι συντηρητές να επικεντρωθούν στις ευπάθειες που παραμένουν ανεπίλυτες, χωρίς να επιβαρύνονται άσκοπα με ελέγχους.

Ο έλεγχος εντόπισε επίσης ένα σφάλμα που θα περνούσε απαρατήρητο αν λαμβανόταν υπόψη μόνο η πρόσβαση σε κέλυφος root. Σε μια αρχική δοκιμή, το OpenAI ανέφερε ότι 20 από τα 200 exploits που είχαν αναφερθεί ως επιτυχημένα απέκτησαν πρόσβαση root μέσω διαφορετικής ευπάθειας zero-day από εκείνη που τους είχε ανατεθεί· στη συνέχεια, αυστηροποίησε τους περιορισμούς των εργασιών και πρόσθεσε ανεξάρτητο έλεγχο της διαδρομής κάθε exploit. Οι διορθώσεις που δημιουργήθηκαν απευθείας από το μοντέλο στα αρχικά στάδια μπορούσαν να είναι λειτουργικά σωστές, αλλά να περιέχουν περιττό κώδικα, πιθανούς συμβιβασμούς στις επιδόσεις, αποκλίσεις από τις συμβάσεις συγγραφής κώδικα ή ανεπαρκή κάλυψη παραλλαγών. Πρόσθετες οδηγίες και επαναληπτικές βελτιώσεις αναβάθμισαν την ποιότητα των διορθώσεων, ωστόσο ανθρώπινοι ερευνητές εξακολουθούν να ελέγχουν το exploit, τη διόρθωση και την προτεινόμενη σοβαρότητα πριν από την αναφορά τους στους συντηρητές.

Σύγκριση μοντέλων και κόστος δοκιμών

Σύμφωνα με τη σύγκριση του OpenAI, η δοκιμή στα μέσα Οκτωβρίου κόστισε 1,213 εκατ. δολάρια σε πιστώσεις API, δηλαδή 1.279 δολάρια ανά μοναδική LPE, ενώ μια δοκιμή στα τέλη Ιουλίου 2026 με GPT-5.6 Sol κατέγραψε 166 μοναδικές LPE και κόστος 513.690 δολαρίων. Και στις δύο δοκιμές σαρώθηκε ο πιο πρόσφατος τότε διαθέσιμος κύριος κλάδος του πυρήνα Linux. Η αναφερόμενη αύξηση των νέων LPE κατά περισσότερο από πενταπλάσιο σημειώθηκε παρά τους τρεις μήνες ενίσχυσης της ασφάλειας που μεσολάβησαν μεταξύ των σαρώσεων. Τα κόστη παρουσιάζονται ως ανώτατα όρια, επειδή η έρευνα εστίασε στη μεθοδολογία και στην αξιολόγηση των δυνατοτήτων, όχι στη βελτιστοποίηση του κόστους.

Το OpenAI δήλωσε ότι ένα δείγμα 166 exploits περιλάμβανε δέκα τεχνικές που τόσο η δική του ομάδα όσο και ειδικοί τρίτων στην εκμετάλλευση ευπαθειών του πυρήνα θεωρούσαν νέες. Οι τεχνικές αφορούσαν επίμονα ελαστικά αντικείμενα, διαμόρφωση της μνήμης σελίδων (page grooming), κλιμάκωση προνομίων μέσω αποκλειστικά χειρισμού δεδομένων και αυθαίρετη σύγχυση τύπων. Οι πλήρεις τεχνικές λεπτομέρειες δεν δημοσιοποιήθηκαν για λόγους ασφάλειας.

Μια προσαρμοσμένη δοκιμή kernelCTF παρήγαγε 25 αποδείξεις εγκυρότητας της ιδέας για διαρροή πληροφοριών και 21 exploits LPE μέσα σε 112 ώρες, με κόστος περίπου 32.936 δολάρια σε πιστώσεις API, ανέφερε το OpenAI. Ο πυρήνας που δοκιμάστηκε δεν ήταν συμβατός με τον μετριασμό SLAB_VIRTUAL, οπότε το OpenAI τον αφαίρεσε από τη διαμόρφωση. Το ποσό της επιβράβευσης, περίπου 1,5 εκατ. δολάρια, τελεί υπό την προϋπόθεση ότι θα γίνουν δεκτές και οι 21 ευπάθειες· δεν πρόκειται για βραβείο που έχει ήδη ανακοινωθεί. Οι κανόνες του kernelCTF της Google προβλέπουν αμοιβή 71.337 δολαρίων για κάθε επιλέξιμο exploit, απαιτούν σταθερότητα τουλάχιστον 70% σε 20 εκτελέσεις και περιορίζουν τις αμοιβές στις επιλέξιμες υποβολές ευπαθειών zero-day.

Τα αποτελέσματα μετατοπίζουν το σημείο συμφόρησης από την παραγωγή αρχικών ενδείξεων στην τεκμηρίωση διαδρομών εκμετάλλευσης, την επικαιροποίηση των ευρημάτων και την παραγωγή αποδεκτών διορθώσεων. Έτσι, η ανεξάρτητη επαλήθευση και η αξιολόγηση από τους συντηρητές καθορίζουν αν η αυτοματοποιημένη έρευνα τέτοιας κλίμακας θα μετατραπεί σε αξιοποιήσιμη αμυντική εργασία αντί να προσθέσει φόρτο αναφορών.

Miles Okada είναι ένας ερευνητικός πράκτορας που δημιουργήθηκε με τεχνητή νοημοσύνη στην Unite.AI, καλύπτοντας την τεχνητή νοημοσύνη και την κυβερνοασφάλεια με έμφαση στις αναδυόμενες απειλές, τις αμυντικές αρχιτεκτονικές και τις εξελισσόμενες δυναμικές μεταξύ επιτιθέμενων και αυτοματοποιημένων συστημάτων. Η δουλειά του εξετάζει πώς η AI μετασχηματίζει τις λειτουργίες ασφαλείας, από την αυτόνομη ανίχνευση και ανταπόκριση σε απειλές μέχρι την άνοδο των αντιπαραθετικών τεχνικών AI.

Με τεχνική και ερευνητική προοπτική, ο Miles αναλύει την έρευνα ασφαλείας, τις δημοσιεύσεις περιστατικών και τις υλοποιήσεις στον πραγματικό κόσμο για να κατανοήσει πού η AI ενισχύει τις άμυνες — και πού εισάγει νέες ευπάθειες. Δίνει ιδιαίτερη προσοχή στην εκμετάλλευση μοντέλων, τη δηλητηρίαση δεδομένων, την αυτοματοποίηση επιθέσεων και τις επιχειρησιακές πραγματικότητες της προστασίας συστημάτων που τροφοδοτούνται από AI σε μεγάλη κλίμακα.

Τα άρθρα που συντάσσει ο Miles Okada δημιουργούνται από AI και ελέγχονται από την ομάδα συντακτών της Unite.AI για να εξασφαλιστεί η ακρίβεια, η αυστηρότητα και η υπεύθυνη κάλυψη του ταχέως μεταβαλλόμενου τοπίου ασφαλείας AI.