OpenAI Cyber Pipeline、LinuxカーネルのLPEエクスプロイト948件を発見

TL;DR

OpenAIは、将来のサイバーモデルを使用して、948件の異なるLinuxカーネルのローカル権限昇格（LPE）脆弱性を自動的に発見、再現、悪用、パッチ生成するプロトタイプセキュリティパイプラインを公開しました。これは、モデル駆動型の脆弱性研究が大規模で重要なコードベースに拡張可能であることを示しています。

研究パイプラインの概要

パイプラインは5つの連続したステージで構成され、各ステージは専門エージェントと今後登場するサイバーモデルによって駆動されます。

  1. 脆弱性の発見 – Scoutエージェントが価値の高い監査ターゲットを選択し、Analystエージェントがそれらのターゲットをスキャンして候補となる発見事項を探します。
  2. 動的検証 – Triageエージェントが、Kernel Address Sanitizer（KASAN）を有効にした分離VMで概念実証（PoC）を生成・実行し、実際の脆弱性を確認します。
  3. 悪用可能性の評価 – Screeningエージェントが悪用可能なケースをフィルタリングし、ExploitDevエージェントが現実的なカーネル強化設定の下で動作するエクスプロイトを開発します。
  4. パッチ生成 – Patchエージェントが、ベストプラクティスのプロンプトと変種分析に基づいて修正候補を生成します。
  5. 人間によるレビュー – セキュリティ研究者が、メンテナーに報告する前にエクスプロイト、パッチ、深刻度を検証します。

パイプラインの最後に、各発見事項には根本原因分析、最小限のクラッシュPoC、候補パッチ、完全なエクスプロイトがバンドルされます。

ステージ別の結果とコスト

脆弱性の発見

  • Scoutエージェントは、約280万行のコード（カーネルの約7％）をカバーする5,034の監査ターゲットを特定しました。コスト：APIクレジットで**$3,426**。
  • Analystエージェントは、12時間以内に重複排除後、2,308件の候補発見を生成しました。コスト：$316,549。

動的検証

  • Triageエージェントは、KASAN有効のVMでPoCを反復的に改良し、1,724件の脆弱性（候補の約74.7％）を再現しました。
  • 検証コスト：$73,330。このステージの前に偽陽性を減らすことが、主要なコスト削減機会として特定されています。

悪用可能性の評価

  • Screeningエージェントは、結果を313件の情報漏洩と1,238件のLPE候補に絞り込みました。
  • ExploitDevエージェントは、291件の情報漏洩PoCと1,169件の動作するLPEエクスプロイトを作成しました。
  • 変種分析後、948件の異なるLPEエクスプロイトが確認されました。
  • 悪用コスト：$775,929（成功したLPEエクスプロイトあたり約$359）。
  • 情報漏洩評価は、LPE評価（候補あたり$558）よりも安価（候補あたり$271）でした。

パッチ生成

  • Patchエージェントは、カーネルコーディング標準と静的チェックに沿った948件の候補パッチを生成しました。
  • 重大な脆弱性に対する数百のパッチが、Patch the Planetイニシアチブを通じてメンテナーにすでに提出されています。

主要な発見と含意

迅速なアップストリーム対応

  • 自動スキャンから10日以内に、Linuxメンテナーはすでに61件のLPE修正をアップストリームし、43件のパッチをステージングし、299件について議論していました。

    要点: 自動トリアージは、重複や古いレポートを避けるために、急速なアップストリームの変更を考慮する必要があります。

モデル能力がカバレッジを牽引

  • 新しいサイバーモデルを使用した後のスキャンでは、948件のLPE（コスト$1.21M）が発見されました。一方、以前のGPT-5.5 Cyberモデルでは166件のLPE（コスト$0.51M）でした。

    要点: より高性能なモデルでコードを再スキャンすると、以前は見逃されていた脆弱性を発見できます。

新しい悪用手法

  • 166件のサンプリングされたエクスプロイトの分析により、10のこれまで知られていなかったカーネル悪用手法が明らかになりました。これには、新しい永続的弾性オブジェクト、ページグルーミング方法、データのみの攻撃が含まれます。

    要点: フロンティアモデルは、既知のパターンを複製するだけでなく、新しい攻撃戦略を発明できます。

防御側の経済的視点

  • 948件のLPEエクスプロイトを過去のバグ報奨金レート（$20k〜$70k）で評価すると、仮想的な報酬は**$18.9M〜$66.3Mとなり、パイプラインの総コストのおよそ16〜55倍**になります。
  • 強化されたkernelCTF設定では、21件のLPEエクスプロイトで約**$1.5Mの報酬が得られたでしょう。これは、費やした$32,936の約45倍**です。

    要点: 現在のモデル能力では、自動化された脆弱性研究は攻撃者にとって経済的に有益であり、積極的な防御分析の必要性が強調されます。

検証の落とし穴

  • 初期の実行では、20のエクスプロイトを誤って別の0-day脆弱性に帰属させました。人間によるレビューにより、エクスプロイトの正確なパスを確認する独立したチェックが追加されました。

    要点: 自律パイプラインは、結果と悪用された特定の脆弱性の両方を検証する必要があります。

オーケストレーションとモデル強度

  • 重いオーケストレーション（テクニックライブラリ）により、GPT-5.5 Cyberの成功率が76.2％から88.9％に向上しました。
  • より強力なGPT-5.6 Cyberは、追加の足場なしで同様のパフォーマンスを発揮し、追加しても1.5ポイントの向上しか得られませんでした。

    要点: ベースモデルが向上するにつれて、オーケストレーションを簡素化してメンテナンスのオーバーヘッドを削減します。

パッチ生成の成熟度

  • 初期のパッチは機能的に正しいものの、過度に冗長であったり、変種ケースを見逃したりすることがよくありました。
  • 反復的なプロンプトと指示の改良により、機能的、パフォーマンス、スタイルの要件を満たすパッチが生成され、人間が書いたパッチの問題も特定されました。

    要点: 信頼性の高いAI生成セキュリティパッチには、反復的なハーネス設計が不可欠です。

インフラストラクチャの脆弱性

  • パイプラインは、テスト環境でQEMU TCGの脆弱性を発見し、発見後にアップストリームでパッチが適用されました。

    要点: サイバー対応モデルは、研究に使用されるインフラストラクチャ自体の欠陥を露呈させる可能性があるため、テストスタックの徹底的な強化が必要です。

セキュリティコミュニティへの含意

  • スケーラブルな監査 – モデル駆動型パイプラインは、数百万行のコードのトリアージに必要な手作業を削減し、人間の専門知識を影響の大きい発見に集中させることができます。
  • 継続的な再評価 – 能力の向上が直接新しい脆弱性カバレッジにつながるため、アップグレードされたモデルでの定期的な再スキャンが推奨されます。
  • 費用対効果の高い防御 – 悪用コストと報奨金の支払いを比較することで、防御側が独自の脆弱性発見とパッチ適用ワークフローを自動化することで利用できるコスト非対称性が浮き彫りになります。
  • メンテナーとの協力 – プロジェクトとの早期関与（例：Patch the Planetを通じて）は、パッチの受け入れを加速し、露出の期間を短縮します。
  • 安全対策 – エクスプロイトパスの独立した検証、厳格な分離、監視は、偽陽性や意図しない損害を防ぐために必須です。

今後の方向性

OpenAIは、このパイプラインをDaybreakおよびPatch the Planetイニシアチブの下で追加の重要なオープンソースプロジェクトに拡張し、ハーネスを改良してコストを削減し、自動パッチの品質を向上させる計画です。 overarching goalは、脆弱性の発見と悪用のコストを潜在的な見返りよりも高くし、それによってインターネットのセキュリティベースラインを引き上げることです。

参考文献

Sources