OpenAI: செயற்கை நுண்ணறிவுத் தொடர் ஆய்வு, தாக்குதலாளர்களுக்கு ரூட் அணுகலை வழங்கக்கூடிய 948 லினக்ஸ் குறைபாடுகளைக் கண்டறிந்தது

சாதாரணக் கணக்கிலிருந்து முழுக் கட்டுப்பாட்டைப் பெற 948 வழிகள்

சாதாரணப் பயனர் கணக்கைக் கொண்ட ஒருவர் கணினியின் முழுக் கட்டுப்பாட்டையும் பெற வழிவகுக்கக்கூடிய 948 தனித்துவமான லினக்ஸ் கர்னல் பாதிப்புகளைத் தானியக்க ஆராய்ச்சி அமைப்பு கண்டறிந்ததாக OpenAI தெரிவித்துள்ளது. நிறுவனத்தின் நவம்பர் 4, 2026 ஆராய்ச்சி வெளியீட்டின்படி, இந்த ஆய்வுக்கு AI API பயன்பாட்டுக் கடன்களாக $1,213,430 செலவானது; மனிதர்கள் ஆய்வு செய்வதற்காக சாத்தியமான திருத்தங்களும் உருவாக்கப்பட்டன.

இந்த எண்ணிக்கை எவ்வாறு கிடைத்தது என்பதை OpenAI-யின் ஆராய்ச்சி அறிக்கை விளக்குகிறது: முகவர்கள், உள்ளூரிலிருந்து சிறப்புரிமைகளை உயர்த்தும் 1,169 செயல்படும் தாக்குதல் நிரல்களை உருவாக்கினர். பின்னர், மாறுபாடுகளைப் பகுப்பாய்வு செய்து தொடர்புடைய கண்டுபிடிப்புகளைத் தொகுத்து, 948 தனித்துவமான திருத்தங்களை உருவாக்கினர். தனித்துவமான பாதிப்புகளின் எண்ணிக்கையாக இந்த இறுதி எண்ணிக்கையை OpenAI பயன்படுத்துகிறது.

உள்ளூர் சிறப்புரிமை உயர்வு குறைபாடு என்பது, கணினியில் ஏற்கெனவே இயங்கிக்கொண்டிருக்கும் நபர் அல்லது நிரல், நிர்வாகிக்கே பொதுவாக ஒதுக்கப்பட்ட ரூட் எனப்படும் அதிகாரங்களைப் பெற அனுமதிக்கிறது. நினைவகம், வன்பொருள் மற்றும் அணுகல் அனுமதிகளை நிர்வகிக்கும் மைய மென்பொருள்தான் லினக்ஸ் கர்னல். அந்தப் பாதுகாப்பு எல்லையை உடைப்பது, வரையறுக்கப்பட்ட அணுகலைக் கொண்ட ஒருவருக்கு முழு அமைப்பின் கட்டுப்பாட்டையும் அளிக்கக்கூடும்.

பெயரிடப்படாத, பரவலாகப் பயன்படுத்தப்படும் ஒரு லினக்ஸ் விநியோகத்தில், வழக்கமான பாதுகாப்பு அம்சங்கள் இயக்கப்பட்ட நிலையில் தாக்குதல் நிரல்களை OpenAI சோதித்தது. இந்தச் செயல்முறைக்கு ஆற்றலளித்த AI மாடலை, வெளியீட்டுத் தேதியைக் குறிப்பிடாமலும் விநியோகத்தை அடையாளம் காட்டாமலும், வரவிருக்கும் சைபர் மாடல் என்று நிறுவனம் விவரித்தது. கண்டுபிடிப்புகளின் எண்ணிக்கை, செலவுகள் மற்றும் புதிய தாக்குதல் நுட்பங்கள் குறித்த கூற்றுகள் அனைத்தும் OpenAI தெரிவித்த சொந்த முடிவுகளாகும்.

கணினிகளைப் பயன்படுத்தும் மக்களிடம் திருத்தங்களைச் சேர்ப்பதே உடனடிச் சவால். இந்த ஆய்வு நடந்துகொண்டிருந்தபோதே, ஒன்றுடன் ஒன்று தொடர்புடைய நூற்றுக்கணக்கான கண்டுபிடிப்புகளை லினக்ஸ் பங்களிப்பாளர்கள் ஏற்கெனவே சரிசெய்துகொண்டிருந்தனர் அல்லது விவாதித்துக்கொண்டிருந்தனர். ஒவ்வொரு தாக்குதல் நிரலும் கூறப்பட்ட குறைபாட்டையே குறிவைக்கிறதா, முன்மொழியப்பட்ட திருத்தம் அதன் காரணத்தைச் சரிசெய்கிறதா என்பதையும் மனித ஆய்வாளர்கள் சரிபார்க்க வேண்டியிருந்தது.

மில்லியன் கணக்கான வரிக் குறியீடுகளை முகவர்கள் எப்படிச் சுருக்கினர்

சாதாரணப் பயனர்கள் அணுகக்கூடியதும் பாதுகாப்புக்கு முக்கியமானதுமான லினக்ஸ் பகுதிகளைத் தேர்ந்தெடுத்து OpenAI தொடங்கியது. சாரணர் முகவர்கள், சுமார் 2.8 மில்லியன் வரிக் குறியீடுகளைக் கொண்ட 5,034 தணிக்கை இலக்குகளைக் கண்டறிந்தனர். 40 மில்லியனுக்கும் அதிகமான வரிகளைக் கொண்ட கர்னல் குறியீட்டில் இது சுமார் 7% ஆகும்.

பின்னர் ஆய்வாளர் முகவர்கள் அந்த இலக்குகளை ஆராய்ந்து, குறியீடு எவ்வாறு செயல்படுகிறது, தாக்குதலாளர் பாதுகாப்பு எல்லையை எங்கு கடக்கக்கூடும் என்பதைக் கவனித்தனர். நகல் கண்டுபிடிப்புகள் நீக்கப்பட்ட பிறகு, 12 மணி நேரத்துக்குள் 2,308 சாத்தியமான கண்டுபிடிப்புகளை அவர்கள் உருவாக்கினர். இலக்குகளைத் தேர்ந்தெடுக்க API கடன்களாக $3,426 செலவானது; அவற்றைப் பகுப்பாய்வு செய்ய $316,549 செலவானது.

முழுச் செயல்முறையில் ஐந்து கட்டங்கள் இருந்தன: பாதிப்பு கண்டறிதல், இயக்கநிலைச் சரிபார்ப்பு, தாக்குதலால் பயன்படுத்தக்கூடிய சாத்தியத்தை மதிப்பிடுதல், திருத்தங்களை உருவாக்குதல், மனித ஆய்வு. சந்தேகத்துக்குரிய குறியீட்டிலிருந்து நிரூபிக்கப்பட்ட பாதுகாப்புச் சிக்கலுக்கும், பின்னர் முன்மொழியப்பட்ட தீர்வுக்கும் நகர்ந்தபோது, ஒவ்வொரு கட்டமும் வெவ்வேறு கேள்விக்குப் பதிலளித்தது.

சரிபார்ப்பின்போது, குறிப்பிட்ட நினைவகப் பிழைகளைக் கண்டறியும் Kernel Address Sanitizer கருவியைப் பயன்படுத்தி, தனிமைப்படுத்தப்பட்ட மெய்நிகர் கணினியில் ஒவ்வொரு சாத்தியமான குறைபாட்டையும் மீண்டும் உருவாக்க முகவர்கள் முயன்றனர். சிக்கலைத் தூண்டும் வரை அல்லது ஒதுக்கப்பட்ட முயற்சிகள் முடியும் வரை, நிரல் வெளியீடு மற்றும் அமைப்புப் பதிவுகளைப் பார்த்து, தங்கள் சோதனை நிரல்களில் மாற்றங்களைச் செய்தனர்.

30 மணி நேரத்துக்குள், சாத்தியமான குறைபாடுகளில் சுமார் 74.7% ஆன 1,724 பாதிப்புகளை அமைப்பு மீண்டும் உருவாக்கியது. எஞ்சிய பல கண்டுபிடிப்புகளுக்குக் கூடுதல் சிறப்புரிமைகள் தேவைப்பட்டதாகவோ, ஒதுக்கப்பட்ட நேரத்தில் தூண்டுவது கடினமான சூழல்களைச் சார்ந்திருந்ததாகவோ OpenAI தெரிவித்தது. சாத்தியமான கண்டுபிடிப்புகளில் 3.1% இயலாத நிபந்தனையை உள்ளடக்கிய தவறான பகுப்பாய்வுக்குச் சேர்ந்தவை என்றும் அது கூறியது. இந்த 30 மணி நேரம் சரிபார்ப்புக் கட்டத்தை மட்டுமே குறிக்கிறது; குறியீடு வருடலும் அதைத் தொடர்ந்து நடந்த கைமுறைப் பகுப்பாய்வும் 10 நாட்கள் நீடித்தன.

செயல்படும் தாக்குதல் நிரல்கள் எதை நிரூபித்தன

மீண்டும் உருவாக்கப்பட்ட பிழைகளில் எவை தகவலை வெளியிடக்கூடும் அல்லது ரூட் அணுகலை வழங்கக்கூடும் என்பதைக் கண்டறிவதே OpenAI-யின் அடுத்த கட்டமாக இருந்தது. ஒரு வடிகட்டல் முகவர், கண்டுபிடிப்புகளை 313 தகவல் கசிவு சாத்தியங்களாகவும், சிறப்புரிமை உயர்வுக்கான 1,238 சாத்தியங்களாகவும் சுருக்கியது.

தாக்குதல் நிரல் உருவாக்கும் முகவர்கள், தகவல் கசிவை நிரூபிக்கும் 291 சோதனை நிரல்களையும், சிறப்புரிமை உயர்வுக்கான 1,169 செயல்படும் தாக்குதல் நிரல்களையும் உருவாக்கினர். ஒரு பாதிப்பைத் தூண்ட முடியும் என்பதை நிரூபிக்கும் சோதனை நிரலே கருத்துச் சான்று. அந்தக் குறைபாட்டைப் பயன்படுத்தி நிர்வாகி அதிகாரங்களைப் பெறுவது போன்ற பாதுகாப்பு விளைவை ஏற்படுத்தினால், அது தாக்குதல் நிரலாகும்.

சோதனைக் கணினிகளில் முகவரி சீரற்றதாக்கம், பயனர் நினைவகத்தை கர்னல் அணுகுவதற்கான கட்டுப்பாடுகள், தரவை நகலெடுப்பதற்கான சரிபார்ப்புகள் உள்ளிட்ட பாதுகாப்பு அம்சங்கள் இயக்கப்பட்டிருந்தன. தாக்குதலாளர் பயனுள்ள நினைவக இடங்களைக் கணிப்பதை முகவரி சீரற்றதாக்கம் கடினமாக்குகிறது. இந்தப் பாதுகாப்புகளைச் செயல்பாட்டில் வைத்ததால், வழக்கமான கணினி நிறுவலை ஒத்த சூழலில் சோதனைகள் நடந்தன.

சிறிய தாக்குதல் பரப்பையும் கூடுதல் பாதுகாப்புகளையும் கொண்ட Google-இன் kernelCTF சூழலின் மாற்றியமைக்கப்பட்ட பதிப்பையும் OpenAI சோதித்தது. 112 மணி நேரத்தில் நடந்த இந்த ஆய்வில், தகவல் கசிவை நிரூபிக்கும் 25 சோதனை நிரல்களும், சிறப்புரிமை உயர்வுக்கான 21 தாக்குதல் நிரல்களும் உருவாக்கப்பட்டன; API செலவு சுமார் $32,936 ஆகும். சோதனைக்குப் பயன்படுத்திய சமீபத்திய கர்னலுடன் பொருந்தாததால், அந்த மாற்றியமைக்கப்பட்ட சூழலில் SLAB_VIRTUAL தணிப்பு சேர்க்கப்படவில்லை.

kernelCTF சோதனையில் பயன்படுத்தப்பட்ட மெய்நிகராக்கக் கட்டமைப்பின் ஒரு பகுதியான QEMU TCG-யில் ஒரு பாதிப்பைக் கண்டறிந்ததாக OpenAI தெரிவித்தது. இதனால், ஆராய்ச்சி சூழலே பாதுகாப்பு ஆய்வுக்கு உட்பட்டது.

அக்டோபர் ஆய்வுப் பரப்புரை முந்தைய பணிகளுடன் ஒப்பிடுகையில்

2026-இல் நடந்த பல ஆய்வுகளின் மூலம் லினக்ஸ் குறித்த OpenAI-யின் ஆராய்ச்சி விரிவடைந்தது. பரவலாகப் பயன்படுத்தப்படும் மென்பொருள்களில் பாதிப்புகளைக் கண்டறிந்து சரிசெய்யப் பராமரிப்பாளர்களுக்கு உதவும் அதன் முயற்சியான Patch the Planet-உடன் இந்தப் பணியை நிறுவனம் இணைத்தது.

• ஜூன் 2026: GPT-5.5 Cyber-ஐப் பயன்படுத்தி உருவாக்கப்பட்ட 24 லினக்ஸ் சிறப்புரிமை உயர்வு தாக்குதல் நிரல்களை OpenAI வெளியிட்டது.
• ஜூலை 2026 இறுதியில்: GPT-5.6 Sol-ஐப் பயன்படுத்திய ஆய்வில் 166 தனித்துவமான சிறப்புரிமை உயர்வுப் பாதிப்புகள் கண்டறியப்பட்டுத் தாக்கப்பட்டன; API செலவு $513,690.
• அக்டோபர் 2026 நடுப்பகுதியில்: புதிய சைபர் மாடல், சாத்தியமான திருத்தங்களுடன் 948 தனித்துவமான சிறப்புரிமை உயர்வுப் பாதிப்புகளை உள்ளடக்கிய தாக்குதல் நிரல்களை உருவாக்கியது; செலவு $1,213,430.
• நவம்பர் 4, 2026: செயல்முறை மற்றும் முடிவுகள் குறித்த தனது விளக்கத்தை OpenAI வெளியிட்டது.

அக்டோபர் ஆய்வில் கண்டறியப்பட்ட தனித்துவமான சிறப்புரிமை உயர்வுப் பாதிப்புகளின் எண்ணிக்கை, ஜூலை ஆய்வைவிட சுமார் 5.7 மடங்கு அதிகம்; செலவோ சுமார் 2.4 மடங்கு அதிகம். இந்த மொத்தங்களின் அடிப்படையில் கணக்கிட்டால், ஒவ்வொரு தனித்துவமான கண்டுபிடிப்புக்கும் ஆன API செலவு சுமார் $3,095 இலிருந்து $1,280 ஆகக் குறைந்தது.

இரு ஆய்வுகளும் அந்தந்த நேரத்தில் கிடைத்த சமீபத்திய லினக்ஸ் கர்னல் முதன்மைக் கிளையை ஆராய்ந்தன. கர்னலில் கூடுதலாக மூன்று மாதத் திருத்தங்களும் பாதுகாப்பு வலுப்படுத்தல்களும் செய்யப்பட்டிருந்தபோதிலும், அக்டோபர் மாடல் கணிசமாக அதிகமான பாதிப்புகளைக் கண்டறிந்ததாக OpenAI தெரிவித்தது. மாடல்களின் திறன் வளரும்போது முக்கியமான மென்பொருள்களை மீண்டும் ஆய்வு செய்ய வேண்டும் என்றும் அது வாதிட்டது.

ரூட் அணுகலைப் பெறுவது மட்டும் ஏன் கண்டுபிடிப்பை உறுதிப்படுத்தப் போதவில்லை

ஆரம்பகட்ட ஆய்வில் OpenAI ஒரு அடிப்படைச் சிக்கலை எதிர்கொண்டது: வெற்றிகரமான 200 தாக்குதல் நிரல்களில் 20, முகவருக்கு ஒதுக்கப்பட்ட பாதிப்பை அல்லாமல் வேறொரு பாதிப்பைப் பயன்படுத்தி ரூட் அணுகலைப் பெற்றன. தாக்குதல் வெற்றி பெற்றிருந்தாலும், எந்தப் பிழையைப் பயன்படுத்தியது என்ற விளக்கம் தவறாக இருந்தது.

திருத்தப் பணிக்கு இது முக்கியமானது. கவனிக்கப்பட்ட முடிவைச் சரியான காரணத்துடன் ஆராய்ச்சியாளர்கள் இணைக்க வேண்டும்; அப்போதுதான் அதற்குப் பொறுப்பான குறியீட்டைப் பராமரிப்பாளர்கள் சரிசெய்ய முடியும். தவறான காரண ஒதுக்கீடுகள் கண்டறியப்பட்ட பிறகு OpenAI தனித்தனி சரிபார்ப்புகளைச் சேர்த்தது.

Security Brigade-இன் நிறுவனர் மற்றும் தலைமைத் தொழில்நுட்ப அதிகாரியான யாஷ் கடாகியா, நிறுவனங்களுக்கு மீண்டும் உருவாக்கக்கூடிய முடிவுகளும் துல்லியமான விளக்கங்களும் ஏன் தேவை என்பதை விவரித்தார்:

"ஒரு முடிவை எட்டுவதும், அதை எவ்வாறு எட்டினீர்கள் என்பதைச் சரியாக விளக்குவதும் இரு வேறு விஷயங்கள்," என்று அவர் கூறினார்.

OpenAI-யின் இறுதி ஆராய்ச்சித் தொகுப்புகளில் காரணப் பகுப்பாய்வு, செயலிழப்பைத் தூண்டும் குறைந்தபட்ச சோதனை நிரல், சாத்தியமான திருத்தம், முழுமையான தாக்குதல் நிரல் ஆகியவை இடம்பெற்றன. பராமரிப்பாளர்களிடம் கண்டுபிடிப்புகளைத் தெரிவிப்பதற்கு முன், பாதுகாப்பு ஆராய்ச்சியாளர்கள் தாக்குதல் நிரல், திருத்தம், முன்மொழியப்பட்ட தீவிரத்தன்மை ஆகியவற்றை ஆய்வு செய்தனர்.

திருத்தங்களை உருவாக்குவதற்கும் மீண்டும் மீண்டும் மாற்றங்கள் தேவைப்பட்டன. ஆரம்பத்தில் AI வழங்கிய சில திருத்தங்கள் தேவையற்ற மாற்றங்களையோ செயல்திறன் பாதிப்புகளையோ ஏற்படுத்தின; அல்லது பாதிப்பின் தொடர்புடைய பிற வடிவங்களைத் தீர்க்கவில்லை. தாக்குதலின் பல்வேறு வடிவங்களைச் சோதிப்பது, திருத்தம் பரந்த சிக்கலையும் சரிசெய்கிறதா என்பதை ஆராய்ச்சியாளர்கள் மதிப்பிட உதவியது.

$1.2 மில்லியன் எதற்குச் செலவானது, அதன் மதிப்பை OpenAI எவ்வாறு கணித்தது

மொத்த ஆய்வுச் செலவு $1,213,430 என்றும், ஒவ்வொரு தனித்துவமான சிறப்புரிமை உயர்வுக் கண்டுபிடிப்புக்கும் சுமார் $1,279 செலவானது என்றும் OpenAI தெரிவித்தது. இந்தத் தொகைகள் மாடல்கள் மற்றும் பணிச்செயல்முறைக்கான API செலவுகளைக் குறிக்கின்றன; ஆய்வாளர் உழைப்பு மற்றும் செயல்பாட்டுச் செலவுகளின் முழுக் கணக்கை அல்ல.

தாக்குதலால் பயன்படுத்தக்கூடிய சாத்தியத்தை மதிப்பிடுவதே மிக அதிக செலவைக் கொண்ட கட்டமாக இருந்தது. வடிகட்டலுக்கு $44,194 செலவானது. தாக்குதல் நிரல்களை உருவாக்க $775,929 செலவானது; இதில் சிறப்புரிமை உயர்வுச் சாத்தியங்களுக்கு $691,000, தகவல் கசிவுச் சாத்தியங்களுக்கு $84,929 அடங்கும்.

கடினமான தோல்விகளுக்குச் செலவு குறிப்பாக அதிகமாக இருக்கக்கூடும். வெற்றிபெறாத 69 சிறப்புரிமை உயர்வு முயற்சிகளுக்கு ஒவ்வொன்றுக்கும் சராசரியாக சுமார் $3,922 செலவானதாகவும், வெற்றிபெற்ற ஒவ்வொரு தாக்குதல் நிரலுக்கும் சுமார் $360 செலவானதாகவும் OpenAI தெரிவித்தது. சில கடினமான நிகழ்வுகளில் நேரப் போட்டி நிலைகள் இடம்பெற்றன; அவற்றில் வெற்றி பெற நிகழ்வுகள் ஒரு குறிப்பிட்ட வரிசையிலோ துல்லியமான தருணத்திலோ நிகழ வேண்டும்.

லினக்ஸ் கர்னல் சிறப்புரிமை உயர்வு தாக்குதல் நிரல்களுக்காக Pwn2Own வழங்கிய வரலாற்றுப் போட்டிப் பரிசான $20,000-ஐயும் TyphoonPWN வழங்கிய $70,000-ஐயும் கொண்டு 948 கண்டுபிடிப்புகளை OpenAI ஒப்பிட்டது. இந்தத் தொகைகளைப் பயன்படுத்திய கணிப்பில், கற்பனையான மதிப்பு $18.9 மில்லியன் முதல் $66.3 மில்லியன் வரை இருந்தது; இது ஆய்வின் API செலவைவிட சுமார் 16 முதல் 55 மடங்கு அதிகம்.

நிகழ்ச்சித் திட்டத்தால் ஏற்றுக்கொள்ளப்பட்டால், அதன் 21 kernelCTF தாக்குதல் நிரல்களுக்கு சுமார் $1.5 மில்லியன் கிடைக்கக்கூடும் என்றும் நிறுவனம் கணித்தது. இரு ஒப்பீடுகளும் நிபந்தனைக்குட்பட்ட பரிசுத் தொகை மதிப்பீடுகளே; உண்மையான விருதுகள் திட்ட விதிகள் மற்றும் ஏற்றுக்கொள்ளப்படுவதைப் பொறுத்தது. செலவைக் குறைப்பதை விட திறனை அளவிடுவதில் தனது பணி கவனம் செலுத்தியதாகவும், பணிச்செயல்முறையைச் சிறப்பாக வடிவமைப்பது செலவைக் குறைக்கக்கூடும் என்றும் OpenAI தெரிவித்தது.

புதியவை எனக் கூறப்படும் பத்து நுட்பங்கள்; விவரங்கள் வெளியிடப்படவில்லை

166 தாக்குதல் நிரல்களின் மாதிரியை OpenAI ஆய்வு செய்தது. இந்தப் பணியின்போது ஆலோசிக்கப்பட்ட தனது ஆராய்ச்சியாளர்களுக்கும் வெளிப்புற கர்னல் தாக்குதல் நிபுணர்களுக்கும் புதிதாக இருந்த குறைந்தது 10 தாக்குதல் நுட்பங்களை அடையாளம் கண்டதாக அது கூறியது. பாதுகாப்புக் காரணங்களுக்காக விரிவான வழிமுறைகளை வெளியிடவில்லை.

தாக்குதலாளர் கட்டுப்படுத்தும் தரவை கர்னல் நினைவகத்தில் வைக்கப் பயன்படுத்தப்பட்ட இரண்டு புதிய பொருட்கள், நம்பகத்தன்மையை மேம்படுத்த நினைவகத்தை அமைக்கும் இரண்டு வழிகள், தரவை மாற்றுவதன் மூலம் சிறப்புரிமைகளைப் பெறும் ஐந்து முறைகள், தன்னிச்சையான வகைக் குழப்பம் தொடர்பான ஒரு முறை ஆகியவை அந்த நுட்பங்களில் அடங்கும். மென்பொருள் ஒரு பொருளை வேறொரு வகையைச் சேர்ந்ததாகக் கருதி கையாளும்போது வகைக் குழப்பம் ஏற்படுகிறது; இதனால் தவறான தரவு அல்லது செயல்பாடுகளை அணுகும் வாய்ப்பு உருவாகலாம்.

பழக்கமான தாக்குதல் முறைகளைத் தாண்டிய அணுகுமுறைகளை முகவர்கள் உருவாக்க முடியும் என்பதற்கான சான்றாக இந்த முடிவுகளை OpenAI முன்வைத்தது. அந்தக் கூற்று, மாதிரியை நிறுவனம் ஆய்வு செய்ததையும் வெளிப்புற நிபுணர்களிடம் கலந்தாலோசித்ததையும் அடிப்படையாகக் கொண்டது.

இதன் நடைமுறை விளைவு என்னவென்றால், முதலில் செயல்படும் தாக்குதல் நிரல் ஒன்றை மட்டும் வைத்து திருத்தத்தைச் சோதிக்காமல், தொடர்புடைய தாக்குதல் மாறுபாடுகளையும் எதிர்கொள்கிறதா எனச் சோதிக்க வேண்டும். நிபுணர்கள் வழிகாட்டும் தொடர்ச்சியான திருத்தங்கள், சரியாகச் செயல்படும், சுற்றியுள்ள குறியீட்டுடன் பொருந்தும், மாறுபட்ட தாக்குதல்களையும் தாங்கும் திருத்தங்களை உருவாக்க உதவும் என்று OpenAI தெரிவித்தது.

முதன்மைக் கிளைத் திருத்தத்துக்கும் பாதுகாப்பான கணினிக்கும் இடையிலான இடைவெளி

OpenAI-யின் ஆய்வு நடந்துகொண்டிருந்தபோதே லினக்ஸ் பராமரிப்பாளர்கள் நடவடிக்கை எடுத்தனர். குறியீடு வருடலும் கைமுறைப் பகுப்பாய்வும் நடந்த 10 நாட்களின் முடிவில், 61 சிறப்புரிமை உயர்வுக் கண்டுபிடிப்புகளுக்கான திருத்தங்கள் முதன்மைக் கிளையில் சேர்க்கப்பட்டிருந்தன; 43 திருத்தங்கள் சோதனைப் பதிப்பில் இருந்தன; 299 கண்டுபிடிப்புகள் பொதுவில் தெரிவிக்கப்பட்டு விவாதிக்கப்பட்டுக் கொண்டிருந்தன.

முதன்மைத் திட்டத்தில் ஏற்றுக்கொள்ளப்பட்ட மாற்றமே முதன்மைக் கிளைத் திருத்தம். சோதனைத் திருத்தம் இன்னும் ஆய்வு அல்லது ஒருங்கிணைப்பு நிலையில் இருக்கும். பின்னர் லினக்ஸ் விநியோக நிறுவனங்கள் தங்கள் வாடிக்கையாளர்களுக்கு ஏற்ற புதுப்பிப்புகளை வழங்க வேண்டும்; வாடிக்கையாளர்கள் அவற்றை நிறுவி, திருத்தப்பட்ட கர்னலைச் செயல்படுத்த வேண்டும்.

கர்னல் சமூகத்தின் வழிகாட்டுதலைப் பின்பற்றி, தீவிரமான பாதிப்புகளில் தொடங்கி நூற்றுக்கணக்கான அறிக்கைகளையும் திருத்தங்களையும் சமர்ப்பித்ததாக OpenAI தெரிவித்தது. 948 கண்டுபிடிப்புகளுக்குமான முழுமையான திருத்த நிலவரத்தை அது வழங்கவில்லை.

தீர்வுகள் செயல்பாட்டு அமைப்புகளைச் சென்றடைவதற்கு முந்தைய காலமே முக்கியக் கவலை என்று IDC-யின் ஆராய்ச்சி இயக்குநர் சாக்ஷி குரோவர் சுட்டிக்காட்டினார்:

"948 என்ற எண்ணிக்கையைவிட, கண்டுபிடிப்புக்கும் திருத்தங்கள் செயல்பாட்டுக்குச் செல்வதற்கும் இடையிலான கால இடைவெளிதான் பெரிய ஆபத்து," என்று அவர் கூறினார்.

பல வாடிக்கையாளர்கள் பகிர்ந்து பயன்படுத்தும் கணினிகள், தானியக்க மென்பொருள் உருவாக்க அமைப்புகள், பகிரப்பட்ட அணுகல் சேவையகங்கள், கொள்கலன் தளங்கள், உருவாக்குநர்களின் கணினிகள் ஆகியவற்றுக்கு முன்னுரிமை அளிக்குமாறு குரோவர் பரிந்துரைத்தார். ஆதரிக்கப்படும் பதிப்புகளில் திருத்தங்களைக் கொண்டுவருவதற்கான கால அட்டவணையையும் லினக்ஸ் விநியோக நிறுவனங்களிடம் கேட்குமாறு அமைப்புகளுக்கு அவர் வலியுறுத்தினார்.

இதேபோன்ற AI கருவிகளைப் பயன்படுத்துவதாகவும், பாதிப்புகளை வெளிப்படுத்துதல் மற்றும் திருத்துதல் தொடர்பாக முதன்மைத் திட்டச் சமூகங்களுடன் இணைந்து செயல்படுவதாகவும் SUSE-யின் தலைமைத் தொழில்நுட்ப மற்றும் தயாரிப்பு அதிகாரியான தாமஸ் டி ஜியாகோமோ தெரிவித்தார். பல அடுக்குப் பாதுகாப்புகளையும் வலுப்படுத்தப்பட்ட பயன்பாட்டு இயக்கச் சூழல்களையும் இணைப்பதே SUSE-யின் அணுகுமுறை என்று அவர் விவரித்தார்.

வேகமான கண்டறிதல் சுழற்சி லினக்ஸ் கணினிகளுக்கு அப்பால் செல்கிறது

Google Threat Intelligence Group புள்ளிவிவரங்களின்படி, மாதாந்திர பாதிப்பு வெளியீடுகள் 2026 ஆகஸ்டில் 10,740 ஆக இருந்தன; ஜனவரியில் அவை 5,045 ஆக இருந்தன. அதே காலத்தில், அதிக ஆபத்துடையவை என வகைப்படுத்தப்பட்ட வெளியீடுகள் 131 இலிருந்து 350 ஆக உயர்ந்தன; இது சுமார் 167% அதிகரிப்பு.

AI உதவியுடனான பாதிப்புக் கண்டறிதல் குறித்து ஐக்கிய இராச்சியத்தின் தேசிய சைபர் பாதுகாப்பு மையம் நவம்பர் 3 அன்று வெளியிட்ட மதிப்பீட்டில் குறிப்பிட்டது:

"AI ஆற்றல்மிக்க சைபர் கருவிகள் பரவலாகக் கிடைப்பதால், ஜீரோ-டே பாதிப்புகளைக் கண்டறிவது கணிசமாக அதிகரித்திருப்பது கிட்டத்தட்ட உறுதி," என்று அது தெரிவித்தது.

ஜீரோ-டே பாதிப்பு என்பது, பாதுகாப்புப் பொறுப்பாளர்கள் முன்கூட்டியே திருத்தம் தயாரிக்க வாய்ப்புப் பெறாத குறைபாடாகும். தற்காப்புக்கான AI கருவிகள் திருத்தப் பணியை வேகப்படுத்தியுள்ளன என்று NCSC தெரிவித்தது. அதேவேளை, அந்தக் கருவிகள் சரியாக உள்ளமைக்கப்படாமலும் பரவலாகப் பயன்படுத்தப்படாமலும் இருப்பதால் பல அமைப்புகள் இன்னும் பாதிப்புக்கு உள்ளாகியுள்ளன என்றும் எச்சரித்தது. இந்த வேகமான சூழலுக்கு ஏற்ப அமைப்புகள் தங்கள் திருத்தம் மற்றும் சோதனைச் செயல்முறைகளை மாற்றியமைக்க வேண்டும்.

லினக்ஸின் பரவலான பயன்பாடு இந்தச் செயல்பாட்டுச் சிக்கலை விரிவாக்குகிறது. ஆண்ட்ராய்டு சாதனங்கள், மேகக் கட்டமைப்பு, மீக்கணினிகள் ஆகியவற்றுக்கு கர்னல் ஆதரவளிக்கிறது. பிளாக்செயின் கட்டமைப்பும் பாதிப்புக்கு உள்ளாகியுள்ளது: கண்டுபிடிப்புகள் குறித்த செய்திகளில் மேற்கோள் காட்டப்பட்ட ethernodes.org புள்ளிவிவரங்களின்படி, Ethereum முனைகளில் சுமார் மூன்றில் இரண்டு பங்கு லினக்ஸைப் பயன்படுத்துகின்றன.

Polygon Labs-இன் தலைமைத் தொழில்நுட்ப அதிகாரி முத்தித் குப்தா, பகிர்ந்தளிக்கப்பட்ட கட்டமைப்பு மீள்திறனை அளிப்பதாக வாதிட்டார்:

பரவலாக்கம், கட்டமைப்பில் பன்முகத்தன்மையையும் மீள்நகல்களையும் வழங்குகிறது; இதனால் இதுபோன்ற பிழைகளுக்கு கிரிப்டோ, பாரம்பரிய மென்பொருளைவிட அதிக மீள்திறன் கொண்டிருக்கிறது.

தொடர்ச்சியான தாக்குதல்களை எதிர்கொண்டதன் மூலம் கிரிப்டோகரன்சி கட்டமைப்பு மேலும் மீள்திறன் பெற்றுள்ளதாகப் பாதுகாப்பு ஆராய்ச்சியாளர் Caducus-மும் வாதிட்டார். தனிப்பட்ட கணினி இயக்குபவர்களின் நடைமுறைப் பணி மாறவில்லை: கணினிகளைத் திருத்தங்களுடன் புதுப்பித்து வைத்திருப்பதும், சமரசம் செய்யப்பட்ட கணக்கால் ஏற்படக்கூடிய சேதத்தைக் கட்டுப்படுத்துவதும்தான் அது.

Firecracker, gVisor போன்ற தனிமைப்படுத்தும் அமைப்புகளையும் சாண்ட்பாக்ஸ்களையும் உள்ளடக்கிய அடுக்குப் பாதுகாப்புகளை OpenAI பரிந்துரைத்தது. அதன் எச்சரிக்கை நேரடியானது: கிடைக்கக்கூடிய திருத்தங்கள் நிறுவப்படாத இயக்க முறைமையில் சாதாரணக் கணக்கைப் பெற்றுள்ள, போதிய வளமுடைய தாக்குதலாளர் அந்த அணுகலை ரூட் கட்டுப்பாடாக மாற்றக்கூடும். பிழைகளை விரைவாகக் கண்டறிவது உதவியாக இருக்க வேண்டுமெனில், அதனால் கிடைக்கும் திருத்தங்கள் அந்த அமைப்புகளை விரைவாகச் சென்றடைய வேண்டும்.

முக்கிய அம்சங்கள்

• 1,169 செயல்படும் தாக்குதல் நிரல்களை ஆய்வு செய்து, சாத்தியமான திருத்தங்களை உருவாக்கிய பிறகு 948 தனித்துவமான லினக்ஸ் சிறப்புரிமை உயர்வுப் பாதிப்புகளைக் கண்டறிந்ததாக OpenAI தெரிவித்தது.
• அக்டோபர் ஆய்வுக்கு API கடன்களாக $1,213,430 செலவானது. சரிபார்ப்புக் கட்டத்தில் 30 மணி நேரத்துக்குள் 1,724 சாத்தியமான பாதிப்புகள் மீண்டும் உருவாக்கப்பட்டன.
• வழக்கமான பாதுகாப்பு அம்சங்கள் இயக்கப்பட்ட சாதாரண லினக்ஸ் விநியோகத்தில் சோதனைகள் நடந்தன; மாடலும் விநியோகமும் அடையாளம் காட்டப்படவில்லை.
• ஒவ்வொரு தாக்குதல் நிரலின் காரணத்தையும் சரிபார்க்கவும், முன்மொழியப்பட்ட திருத்தங்களை மதிப்பிடவும் மனித ஆய்வு தொடர்ந்து அவசியமாக இருந்தது.
• பகுப்பாய்வு முடிந்தபோது, 61 கண்டுபிடிப்புகளுக்கான திருத்தங்கள் முதன்மைக் கிளையில் சேர்க்கப்பட்டிருந்தன; 43 சோதனைத் திருத்தங்கள் இருந்தன; 299 கண்டுபிடிப்புகள் பொதுவில் விவாதிக்கப்பட்டுக் கொண்டிருந்தன.
• பகிரப்பட்ட அமைப்புகளில் குறிப்பாக, சாதாரண அணுகல் நிர்வாகி கட்டுப்பாடாக மாறக்கூடிய சூழலில், திருத்தங்களை வழங்கி நிறுவுவதே உடனடி பாதுகாப்பு முன்னுரிமையாகும்.