OpenAI 网络管道发现 948 个 Linux 内核 LPE 漏洞

摘要

OpenAI 展示了一个原型安全管道，利用即将推出的网络模型自动发现、复现、利用并为 948 个不同的 Linux 内核本地权限提升（LPE）漏洞生成补丁，表明模型驱动的漏洞研究可以扩展到大型关键代码库。

研究管道概述

该管道由五个连续阶段组成，每个阶段由专门的代理和即将推出的网络模型驱动：

  1. 漏洞发现 – Scout 代理选择高价值审计目标；Analyst 代理扫描这些目标以获取候选发现。
  2. 动态验证 – Triage 代理在启用内核地址消毒器（KASAN）的隔离虚拟机中生成并运行概念验证，以确认真实漏洞。
  3. 可利用性评估 – Screening 代理筛选可利用案例；ExploitDev 代理在现实的内核加固设置下开发有效的漏洞利用。
  4. 补丁生成 – Patch 代理根据最佳实践提示和变体分析生成候选修复。
  5. 人工审查 – 安全研究人员在报告给维护者之前验证漏洞利用、补丁和严重性。

在管道结束时，每个发现都附带根因分析、最小崩溃 PoC、候选补丁和完整漏洞利用。

各阶段结果和成本

漏洞发现

  • Scout 代理识别了 5,034 个审计目标，覆盖约 280 万行代码（约占内核的 7%）。成本：3,426 美元 API 积分。
  • Analyst 代理在 12 小时内去重后产生了 2,308 个候选发现。成本：316,549 美元。

动态验证

  • Triage 代理通过在启用 KASAN 的虚拟机中迭代改进 PoC，复现了 1,724 个漏洞（约占候选的 74.7%）。
  • 验证成本：73,330 美元。在此阶段之前减少误报被确定为主要的成本节约机会。

可利用性评估

  • Screening 代理将结果缩小到 313 个信息泄露 和 1,238 个 LPE 候选。
  • ExploitDev 代理创建了 291 个信息泄露 PoC 和 1,169 个有效的 LPE 漏洞利用。
  • 经过变体分析，确认了 948 个不同的 LPE 漏洞利用。
  • 利用成本：775,929 美元（每个成功的 LPE 漏洞利用约 359 美元）。
  • 信息泄露评估（每个候选 271 美元）比 LPE 评估（每个候选 558 美元）更便宜。

补丁生成

  • Patch 代理生成了 948 个候选补丁，符合内核编码标准和静态检查。
  • 数百个关键漏洞的补丁已通过 Patch the Planet 计划提交给维护者。

关键发现和影响

上游快速响应

  • 在自主扫描后的 10 天内，Linux 维护者已经上游化了 61 个 LPE 修复，暂存了 43 个补丁，并正在讨论 299 个其他补丁。

    要点：自动化分类必须考虑快速的上游变化，以避免重复或过时的报告。

模型能力驱动覆盖范围

  • 使用更新的网络模型进行的后续扫描发现了 948 个 LPE（成本 121 万美元），而使用早期的 GPT-5.5 Cyber 模型发现了 166 个 LPE（成本 51 万美元）。

    要点：使用更强大的模型重新扫描代码可以发现以前遗漏的漏洞。

新颖的利用技术

  • 对 166 个抽样漏洞利用的分析揭示了 10 种以前未知的内核利用技术，包括新的持久弹性对象、页面整理方法和纯数据攻击。

    要点：前沿模型可以发明新颖的攻击策略，而不仅仅是复制已知模式。

防御者的经济视角

  • 将 948 个 LPE 漏洞利用按历史漏洞赏金率（2 万至 7 万美元）估值，假设奖励为 1,890 万至 6,630 万美元，约为管道总成本的 16 至 55 倍。
  • 在加固的 kernelCTF 环境中，21 个 LPE 漏洞利用将赚取约 150 万美元，约为花费的 32,936 美元的 45 倍。

    要点：凭借当前的模型能力，自动化漏洞研究对攻击者来说在经济上可能是有利可图的，这强调了主动防御分析的必要性。

验证陷阱

  • 早期运行错误地将 20 个漏洞利用归因于错误的 0-day 漏洞。人工审查增加了独立检查，确认了漏洞利用的确切路径。

    要点：自主管道必须验证结果和被利用的具体漏洞。

编排与模型强度

  • 重型编排（技术库）将 GPT-5.5 Cyber 的成功率从 76.2% 提高到 88.9%。
  • 更强大的 GPT-5.6 Cyber 在没有额外脚手架的情况下表现相似，添加脚手架仅获得 1.5 个百分点的提升。

    要点：随着基础模型的改进，简化编排以减少维护开销。

补丁生成成熟度

  • 初始补丁在功能上是正确的，但往往过于冗长或遗漏变体案例。
  • 迭代提示和指令改进产生了满足功能、性能和风格要求的补丁，甚至识别了人工编写补丁中的问题。

    要点：迭代框架设计对于可靠的 AI 生成安全补丁至关重要。

基础设施漏洞

  • 该管道在测试环境中发现了一个 QEMU TCG 漏洞，发现后已在上游修复。

    要点：具有网络能力的模型可以暴露用于研究的基础设施本身的缺陷；需要彻底加固测试堆栈。

对安全社区的影响

  • 可扩展审计 – 模型驱动的管道可以减少手动分类数百万行代码所需的工作量，将人类专业知识集中在高影响发现上。
  • 持续重新评估 – 建议定期使用升级模型进行重新扫描，因为能力提升直接转化为新的漏洞覆盖。
  • 成本效益防御 – 将利用成本与赏金支付进行比较，突显了防御者可以通过自动化自己的漏洞发现和修补工作流程来利用的成本不对称性。
  • 与维护者合作 – 早期与项目互动（例如通过 Patch the Planet）加速补丁接受并减少暴露窗口。
  • 安全控制 – 独立验证漏洞利用路径、严格隔离和监控是防止误报和意外损害的必要条件。

未来方向

OpenAI 计划将这一管道扩展到 Daybreak 和 Patch the Planet 计划下的其他关键开源项目，优化框架以降低成本，并提高自动化补丁质量。总体目标是使发现和利用漏洞的成本高于潜在回报，从而提高互联网的安全基线。

参考

Sources