রুটে অ্যাক্সেসের পথ কমল এক হাজার

যে নিরাপত্তা গবেষণায় একসময় প্রতিটি শনাক্ত সমস্যার জন্য আলাদা করে দীর্ঘমেয়াদি তদন্ত করতে হতো, তা এখন ক্রমেই একটি সুসংবদ্ধ প্রক্রিয়া হিসেবে চালানো সম্ভব হচ্ছে. এই নথিতে এ ক্ষেত্রে আমাদের একটি প্রচেষ্টা তুলে ধরা হয়েছে.

বড় পরিসরে দুর্বলতা শনাক্ত করা সহজ হচ্ছে, তবে অগ্রাধিকার নির্ধারণ ও যাচাইয়ের ধাপগুলো এখনো কার্যক্রমের গতি সীমিত করছে. নিয়ন্ত্রিত গবেষণা পরিবেশে Linux কার্নেলের নিরাপত্তা ত্রুটি খুঁজতে আমরা একটি প্রোটোটাইপ তৈরি করেছি. এটি Linux কার্নেলের 2,308টি সম্ভাব্য সমস্যা শনাক্ত ও বিশ্লেষণ করেছে, কোড চালিয়ে 1,724টি দুর্বলতা পুনরুৎপাদন করেছে এবং 948টি লোকাল প্রিভিলেজ এসকেলেশন (LPE) এক্সপ্লয়েট তৈরি করেছে. এসব এক্সপ্লয়েট বিশেষ অনুমতিহীন স্থানীয় ব্যবহারকারীকে রুট অ্যাক্সেস পেতে সাহায্য করতে পারে.

কোন দুর্বলতাগুলো আগে জানানো হবে তা নির্ধারণে আমরা এই প্রমাণ ব্যবহার করেছি এবং রক্ষণাবেক্ষণকারীদের পর্যালোচনার জন্য প্রস্তাবিত প্যাচ তৈরি করেছি. Linux কার্নেল কমিউনিটির নির্দেশনা অনুসরণ করে আমরা অত্যন্ত গুরুতর দুর্বলতাগুলো দিয়ে শুরু করেছি. আরও দুর্বলতার প্রতিবেদন ও প্যাচ নিয়ে Patch the Planet-এর অংশীদারদের সঙ্গে কাজ করছি.

জুনে আমাদের Patch the Planet উদ্যোগের অংশ হিসেবে আমরা জানিয়েছিলাম, GPT‑5.5 Cyber Linux কার্নেলের দুর্বলতা শনাক্ত করেছে এবং সেগুলো যাচাই ও জানানোর জন্য 24টি লোকাল প্রিভিলেজ এসকেলেশন এক্সপ্লয়েট তৈরি করেছে. সেই কাজকে সম্প্রসারিত করে আমরা আসন্ন একটি সাইবার মডেলচালিত পাইপলাইন তৈরি করেছি. এতে রয়েছে দুর্বলতা শনাক্তকরণ, ডায়নামিক যাচাই, দুর্বলতা কাজে লাগানো সম্ভব কি না তার মূল্যায়ন এবং প্যাচ তৈরি. প্রক্রিয়াটি শেষ হলে মানব গবেষকেরা আউটপুট পর্যালোচনা করেছেন এবং পাওয়া দুর্বলতাগুলো প্যাচসহ জানিয়েছেন.

কোটি কোটি মানুষের ব্যবহৃত অ্যান্ড্রয়েড ডিভাইস, ক্লাউড অবকাঠামো, সুপারকম্পিউটার ও অন্যান্য সিস্টেমের ভিত্তি হলো Linux কার্নেল. চার কোটিরও বেশি লাইন কোডের এই কার্নেলে সিস্টেম কল, নেটওয়ার্কিং, ফাইলসিস্টেম ও ডিভাইস ড্রাইভারের মাধ্যমে আক্রমণের বিস্তৃত সুযোগ রয়েছে. এত বড় ও গুরুত্বপূর্ণ একটি কোডবেসে অত্যাধুনিক মডেল কতটা কার্যকরভাবে দুর্বলতা খুঁজে বের করতে এবং নিরাপত্তার ওপর সেগুলোর প্রভাব দেখাতে পারে, তা গবেষণা করার জন্য আমরা Linux বেছে নিয়েছি.

দুর্বলতা অনুসন্ধানের প্রাথমিক ধাপে হাজার হাজার সম্ভাব্য সমস্যা পাওয়া গেছে, যার সবগুলো নিরাপত্তা গবেষকদের পক্ষে হাতে-কলমে পর্যালোচনা ও প্রাথমিক মূল্যায়ন করা সম্ভব ছিল না. আমাদের দুর্বলতা অনুসন্ধানের পাইপলাইন পরিচালনার চ্যালেঞ্জ ছিল সমস্যা খুঁজে পাওয়া নয়; বরং কোন সমস্যাগুলো পুনরুৎপাদন করা যায়, সেগুলো কোন নিরাপত্তা-সীমানা অতিক্রম করে এবং কোনগুলোতে রক্ষণাবেক্ষণকারীদের সবার আগে নজর দেওয়া প্রয়োজন, তা নির্ধারণ করা.

বিশ্বের মানুষ যে সফটওয়্যারের ওপর নির্ভর করে, তা সুরক্ষিত রাখতে সহায়তা করাই OpenAI-এর সাইবার দলের লক্ষ্য. এই কাজ পুনরায় সম্পন্ন করতে ও আরও এগিয়ে নিতে কী পরিমাণ সংস্থান প্রয়োজন, গবেষকেরা যেন তা মূল্যায়ন করতে পারেন, সে জন্য আমরা প্রতিটি ধাপের API খরচ জানিয়েছি. এই ব্যয়গুলো মূল্যায়নে ব্যবহৃত মডেল, পরীক্ষার লক্ষ্যগুলোর কনফিগারেশন ও ওয়ার্কফ্লোর ভিত্তিতে নির্ধারিত. আমাদের বৃহত্তর লক্ষ্য হলো নিরাপত্তার দায়িত্বে থাকা ব্যক্তিদের দুর্বলতা খুঁজে বের করতে ও সংশোধন করতে সাহায্য করা, যাতে আক্রমণকারীদের সুযোগ কমে এবং সফটওয়্যারের দুর্বলতা কাজে লাগানোর খরচ বাড়ে.

সবশেষে মনে রাখা প্রয়োজন, এই গবেষণায় আমরা খরচের পরিবর্তে পদ্ধতি ও মডেলের সক্ষমতা পরিমাপে মনোযোগ দিয়েছি. আমাদের ধারণা, মডেল চালানোর সহায়ক অবকাঠামোয় পর্যাপ্ত প্রকৌশলগত উন্নয়ন করলে প্রতিটি ধাপের খরচ উল্লেখযোগ্যভাবে কমানো সম্ভব. তাই প্রকাশিত খরচগুলোকে ব্যয়ের ঊর্ধ্বসীমা হিসেবেই দেখা বেশি যুক্তিযুক্ত.

আমাদের দুর্বলতা গবেষণার প্রোটোটাইপটি পাঁচ ধাপের একটি পাইপলাইন, যার কেন্দ্রে রয়েছে আসন্ন একটি সাইবার মডেল:

• দুর্বলতা অনুসন্ধান: এজেন্টগুলো কোডবেসের নিরাপত্তাসংশ্লিষ্ট অংশ শনাক্ত করে এবং সম্ভাব্য সমস্যা খুঁজতে সেগুলো স্ক্যান করে.

• কোড চালিয়ে যাচাই: এজেন্টগুলো একটি বিচ্ছিন্ন পরিবেশে প্রতিটি সম্ভাব্য সমস্যা পুনরুৎপাদনের চেষ্টা করে এবং কোড চলাকালীন পাওয়া প্রমাণ সংরক্ষণ করে. এই ধাপ থেকে পুনরুৎপাদিত ও যাচাইকৃত দুর্বলতাগুলো পাওয়া যায়.

• দুর্বলতা কাজে লাগানোর সম্ভাব্যতা মূল্যায়ন: যাচাইকৃত দুর্বলতাগুলো দিয়ে তথ্য ফাঁস বা লোকাল প্রিভিলেজ এসকেলেশন ঘটানো সম্ভব কি না, এজেন্টগুলো তা পরীক্ষা করে.

• প্যাচ তৈরি: শনাক্ত করা প্রতিটি দুর্বলতা সংশোধনের জন্য এজেন্টগুলো প্যাচ তৈরি করে.

• মানব পর্যালোচনা: রক্ষণাবেক্ষণকারীদের কাছে জানানোর আগে নিরাপত্তা গবেষকেরা এক্সপ্লয়েট, প্যাচ ও দুর্বলতার প্রস্তাবিত তীব্রতার মাত্রা পর্যালোচনা করেন.

পাইপলাইনের শেষে সিস্টেমটি মূল কারণের বিশ্লেষণ, ক্র্যাশ ঘটানোর ন্যূনতম প্রুফ-অব-কনসেপ্ট, একটি প্রস্তাবিত প্যাচ ও একটি পূর্ণাঙ্গ এক্সপ্লয়েট একসঙ্গে সরবরাহ করে. এগুলো মানব গবেষকদের দুর্বলতার তীব্রতা মূল্যায়ন করতে এবং সংশোধনগুলো মূল প্রকল্পে যুক্ত করতে সহায়তা করে.

Linux কার্নেলের সব কোডের সঙ্গে নিরাপত্তার সম্পর্ক নেই. আমাদের পাইপলাইনে একদল স্কাউট এজেন্ট নিরীক্ষার জন্য সবচেয়ে মূল্যবান অংশগুলো বেছে নিয়েছে. দুর্বলতা খুঁজতে স্ক্যান করার দায়িত্ব দিয়ে সেই অংশগুলো পরে অ্যানালিস্ট এজেন্টদের কাছে দেওয়া হয়েছে.

স্কাউট এজেন্টগুলো প্রতিটি ফোল্ডার ও ফাইল পড়ে দেখে এবং (সীমিত অনুমতিসম্পন্ন ব্যবহারকারীরা) কোন অংশগুলোতে পৌঁছাতে পারেন ও সেগুলো নিরাপত্তার জন্য কতটা প্রাসঙ্গিক, তার ভিত্তিতে নিরীক্ষার লক্ষ্য নির্ধারণ করে.

এই ধাপে নিরীক্ষার জন্য 5,034টি অংশ শনাক্ত করা হয়েছে, যেখানে প্রায় 28 লাখ লাইন কোড রয়েছে. এটি পুরো Linux কার্নেল কোডবেসের আনুমানিক 7%. ফলে সম্পূর্ণ কোডবেস বিশ্লেষণের তুলনায় নিরাপত্তা নিরীক্ষার খরচ উল্লেখযোগ্যভাবে কমেছে. এই ধাপে API ক্রেডিট বাবদ খরচ হয়েছে 3,426 মার্কিন ডলার.

এরপর অ্যানালিস্ট এজেন্টগুলো প্রতিটি নিরীক্ষাযোগ্য অংশ বিশ্লেষণ করে সম্ভাব্য দুর্বলতা চিহ্নিত করেছে. এ জন্য Codex Security প্লাগইন⁠(একটি নতুন উইন্ডোতে খোলে)-এর মতো একটি ওয়ার্কফ্লো ব্যবহার করা হয়েছে. মোটামুটিভাবে, অ্যানালিস্ট এজেন্ট নির্ধারিত অংশের কোড পড়ে সেটি কীভাবে কাজ করে তা বোঝে, এর হুমকি মডেল চিহ্নিত করে এবং দুর্বলতা খোঁজে.

12 ঘণ্টার মধ্যে অ্যানালিস্ট এজেন্টগুলো একই সমস্যার পুনরাবৃত্তি বাদ দিয়ে 2,308টি সম্ভাব্য সমস্যা শনাক্ত করেছে. এই ধাপে API ক্রেডিট বাবদ খরচ হয়েছে 316,549 মার্কিন ডলার.

সম্ভাব্য দুর্বলতা চিহ্নিত হওয়া আর যাচাইকৃত দুর্বলতা পাওয়া এক নয়. এত বিপুলসংখ্যক প্রতিবেদন আমাদের গবেষণা দলের পক্ষে ম্যানুয়ালি তদন্ত করা বাস্তবসম্মত নয়.

তাই আমরা এমন সমস্যাগুলো যাচাইয়ে মনোযোগ দিয়েছি, যেগুলো ক) সীমিত অনুমতিসম্পন্ন ব্যবহারকারীর পক্ষে পৌঁছানো সম্ভব এমন অংশে ছিল, খ) কোনো বিশেষ অনুমতি বা সক্ষমতার প্রয়োজন হতো না এবং গ) মেমোরি করাপশনের পরিমাপযোগ্য প্রমাণ দিত.

প্রতিটি সম্ভাব্য সমস্যার জন্য একটি ট্রায়াজ এজেন্ট প্রুফ-অব-কনসেপ্ট তৈরি করে Kernel Address Sanitizer (KASAN)-সহ Linux কার্নেল চালিত একটি বিচ্ছিন্ন ভার্চুয়াল মেশিনে সেটি চালিয়েছে. এজেন্টটি প্রোগ্রামের আউটপুট ও সিস্টেম কনসোল দুটোই পর্যবেক্ষণ করেছে. এরপর প্রতিবেদনে উল্লেখ করা আচরণ পুনরুৎপাদন করা সম্ভব হওয়া পর্যন্ত অথবা তা ঘটানোর সম্ভাব্য সব উপায় চেষ্টা করা শেষ হওয়া পর্যন্ত ধাপে ধাপে প্রুফ-অব-কনসেপ্টটি পরিমার্জন করেছে.

30 ঘণ্টার মধ্যে আমাদের সিস্টেম 1,724টি দুর্বলতা পুনরুৎপাদন করেছে, যা 2,308টি সম্ভাব্য সমস্যার প্রায় 74.7%. শুধু স্ট্যাটিক কোড পর্যালোচনার ওপর নির্ভর করলে ভুলভাবে দুর্বলতা শনাক্ত হওয়ার ঝুঁকি থাকে. তাই Analyst এজেন্টগুলোর নির্ভুলতা এবং প্রায় তিন-চতুর্থাংশ সম্ভাব্য সমস্যার জন্য স্বয়ংক্রিয়ভাবে কার্যকর প্রুফ-অব-কনসেপ্ট তৈরিতে ট্রায়াজ এজেন্টগুলোর কার্যকারিতা আমাদের মুগ্ধ করেছে.

বাকি সমস্যাগুলোর অধিকাংশের ক্ষেত্রে হয় উচ্চতর অনুমতির প্রয়োজন ছিল, অথবা জটিল রেস কন্ডিশন, নির্দিষ্ট শর্তে সমস্যা সক্রিয় হওয়া (যেমন, কোডের নির্দিষ্ট লাইনে মেমোরি বরাদ্দ ব্যর্থ হওয়া আবশ্যক) কিংবা সময়সাপেক্ষ যাচাইয়ের (যেমন, রেফারেন্স কাউন্টার সর্বোচ্চ সীমা পেরিয়ে শুরুর মানে ফিরে আসা) কারণে নির্ধারিত সময়ের মধ্যে সেগুলো পুনরুৎপাদন করা যায়নি. মাত্র 3.1% ক্ষেত্রে মডেলের বিশ্লেষণ ভুল ছিল; এসব ক্ষেত্রে প্রতিবেদনে উল্লেখ করা দুর্বলতা ঘটার জন্য এমন একটি শর্ত ধরে নেওয়া হয়েছিল, যা বাস্তবে সম্ভব নয়.

যাচাইয়ের ধাপে API ক্রেডিট বাবদ মোট খরচ হয়েছে 73,330 মার্কিন ডলার. আমাদের যাচাই পাইপলাইনে কোনো সম্ভাব্য সমস্যা প্রকৃত দুর্বলতা কি না নিশ্চিত করতে প্রুফ-অব-কনসেপ্ট তৈরি করতে হতো. আমরা দেখেছি, এই প্রক্রিয়া শুধু স্ট্যাটিক বিশ্লেষণের ভিত্তিতে সুপারিশ করার চেয়ে বেশি ব্যয়বহুল. এ ছাড়া, সঠিকভাবে ও ভুলভাবে শনাক্ত করা দুর্বলতা যাচাইয়ের চেষ্টায় প্রায় একই খরচ হয়েছে. তাই পাইপলাইনের আগের ধাপেই ভুলভাবে শনাক্ত করা দুর্বলতা বাদ দিলে পুরো প্রক্রিয়া উল্লেখযোগ্যভাবে আরও সাশ্রয়ী হয়.

যাচাইয়ের মাধ্যমে নিশ্চিত হওয়া যায় যে একটি দুর্বলতা বাস্তব, কিন্তু কতটা জরুরিভাবে সেটি সমাধান করা উচিত তা বোঝা যায় না. যেমন, স্থানীয়ভাবে অ্যাক্সেসের অধিকার বাড়ানোর সুযোগ দিতে পারে এমন দুর্বলতা, শুধু স্থানীয়ভাবে সেবা অচল করতে পারে এমন দুর্বলতার চেয়ে বেশি অগ্রাধিকার পাওয়ার যোগ্য. 1,724টি দুর্বলতা যাচাই করার পর পরবর্তী কাজ ছিল নিরাপত্তায় সবচেয়ে বেশি সম্ভাব্য প্রভাব ফেলতে পারে এমন সমস্যাগুলো শনাক্ত করা.

প্রাথমিক বাছাইয়ের একটি এজেন্ট কোড না চালিয়ে প্রতিটি প্রতিবেদন, ক্র্যাশ লগ ও সংশ্লিষ্ট সোর্স কোড পর্যালোচনা করেছে. সম্ভাব্য গুরুতর সমস্যা যেন বাদ না পড়ে, সে জন্য বাছাইয়ের মানদণ্ড ইচ্ছাকৃতভাবে শিথিল রাখা হয়েছিল. তবে যেসব ক্ষেত্রে দুর্বলতা কাজে লাগানোর বিশ্বাসযোগ্য কোনো পথ ছিল না, সেগুলো বাদ দেওয়া হয়েছে. এতে তালিকা ছোট হয়ে তথ্য ফাঁসের 313টি ও লোকাল প্রিভিলেজ এসকেলেশনের 1,238টি সম্ভাব্য দুর্বলতায় নেমে আসে.

এরপর এক্সপ্লয়েট তৈরির দায়িত্বে থাকা (ExploitDev) এজেন্টগুলো বিচ্ছিন্ন ভার্চুয়াল মেশিনে ওই সম্ভাব্য দুর্বলতাগুলো পরীক্ষা করেছে. মেশিনগুলোতে একটি প্রচলিত Linux ডিস্ট্রিবিউশনে সক্রিয় থাকা সুরক্ষাব্যবস্থাগুলো চালু রাখা হয়েছিল, যার মধ্যে ছিল Supervisor Mode Execution Prevention (SMEP), Supervisor Mode Access Prevention (SMAP), Kernel Address Space Layout Randomization (KASLR) ও HARDENED_USERCOPY. এতে সুরক্ষাব্যবস্থা বন্ধ থাকার ওপর নির্ভরশীল অবাস্তব মূল্যায়ন এড়ানো সম্ভব হয়েছে.

এজেন্টগুলো তথ্য ফাঁসের 291টি প্রুফ-অব-কনসেপ্ট এবং 1,169টি কার্যকর লোকাল প্রিভিলেজ এসকেলেশন এক্সপ্লয়েট তৈরি করেছে, যেগুলো বিশেষ অনুমতিহীন স্থানীয় ব্যবহারকারীদের রুট অ্যাক্সেস দিতে পারে.

আমরা দুর্বলতাগুলোর বিভিন্ন রূপ বিশ্লেষণ করেছি এবং ওই এক্সপ্লয়েটগুলোর পেছনে থাকা দুর্বলতার জন্য 948টি স্বতন্ত্র প্যাচ তৈরি করেছি. মোট স্বতন্ত্র LPE দুর্বলতার সংখ্যা নির্ধারণে আমরা এই সংখ্যাটিই ব্যবহার করি. সফল এক্সপ্লয়েট তৈরিতে গড়ে 359 মার্কিন ডলারের ক্রেডিট খরচ হয়েছে. ফলে শনাক্ত দুর্বলতাগুলো কাজে লাগানো সম্ভব কি না, তা নিরাপত্তার দায়িত্বে থাকা ব্যক্তিরা তুলনামূলক কম খরচে পরীক্ষা করতে পারেন.

প্রাথমিকভাবে দুর্বলতা বাছাইয়ের এজেন্টটির জন্য API ক্রেডিট বাবদ খরচ হয়েছে 44,194 মার্কিন ডলার. এক্সপ্লয়েটেশন ধাপে মোট API ক্রেডিট ব্যয় হয়েছে 775,929 মার্কিন ডলার—তথ্য ফাঁসের সম্ভাব্য দুর্বলতাগুলো নিয়ে কাজ করতে 84,929 মার্কিন ডলার এবং লোকাল প্রিভিলেজ এসকেলেশনের সম্ভাব্য দুর্বলতাগুলোর জন্য 691,000 মার্কিন ডলার.

গড়ে লোকাল প্রিভিলেজ এসকেলেশনের একটি সম্ভাব্য দুর্বলতা নিয়ে কাজ করার খরচ ছিল (558 মার্কিন ডলার), যা তথ্য ফাঁসের একটি সম্ভাব্য দুর্বলতার খরচের (271 মার্কিন ডলার) প্রায় দ্বিগুণ. কারণ তথ্য ফাঁসের PoC-গুলো যাচাইয়ের ধাপ থেকেই পরবর্তী ধাপে নেওয়া হয়েছিল এবং এক্সপ্লয়েটে ব্যবহারযোগ্য করতে সেগুলোতে কম পরিবর্তন দরকার হয়েছে. অন্যদিকে, একটি সম্ভাব্য LPE দুর্বলতা থেকে এক্সপ্লয়েট তৈরি করতে অনেক বাড়তি ধাপ প্রয়োজন হয়েছে, যেমন এক্সপ্লয়েটেশনের কৌশল পরিকল্পনা, কাজে লাগানোর জন্য দুর্বল অবজেক্ট শনাক্ত করা, প্রতিরক্ষাব্যবস্থা এড়িয়ে যাওয়া এবং আরও অনেক কিছু. আমরা আরও দেখেছি, ব্যর্থ এক্সপ্লয়েটেশন প্রচেষ্টার খরচ (69টি ক্ষেত্রে 3,922 মার্কিন ডলার) সফল প্রচেষ্টার খরচের (1,169টি ক্ষেত্রে 360 মার্কিন ডলার) চেয়ে অনেক বেশি ছিল. অল্প কয়েকটি দুর্বলতা কাজে লাগানো কঠিন হওয়ায় এমন হয়েছে, (যেমন রেস কন্ডিশন). চেষ্টা বন্ধ করার যুক্তিসংগত শর্ত নির্ধারণ করলে—যেমন এক ঘণ্টা কোনো অগ্রগতি না হলে থেমে যাওয়া—ExploitDev-এর খরচ উল্লেখযোগ্যভাবে কমানো যেত.

প্রতিটি যাচাইকৃত দুর্বলতার জন্য সিস্টেম একটি প্যাচও তৈরি করে. আমরা মডেলকে সংশ্লিষ্ট সোর্স কোড দিই এবং প্যাচ লেখার সর্বোত্তম পদ্ধতিগুলো অনুসরণ করতে প্রম্পট দিই. এর মধ্যে রয়েছে প্যাচে স্ট্যাটিক পরীক্ষা চালানো, আশপাশের কোডে অনুসৃত সফটওয়্যার উন্নয়নের রীতি মেনে চলা এবং প্যাচটি সম্পূর্ণ কি না নিশ্চিত করতে দুর্বলতার বিভিন্ন রূপ বিশ্লেষণ করা.

Linux কার্নেল কমিউনিটির পরামর্শ অনুযায়ী আমরা ইতিমধ্যে অত্যন্ত গুরুতর দুর্বলতাগুলোর জন্য শত শত প্রতিবেদন ও প্যাচ পাঠিয়েছি. বাকিগুলোর প্যাচ ধীরে ধীরে পাঠাতে Patch the Planet-এর অংশীদারদের সঙ্গে কাজ করছি. এই কাজ ওপেন-সোর্স প্রকল্পগুলোকে সহায়তা করার বিষয়ে আমাদের বৃহত্তর Daybreak অঙ্গীকারের অংশ.

এই অংশে আমরা গবেষণা থেকে পাওয়া শিক্ষা, পর্যবেক্ষণ ও অতিরিক্ত বিশ্লেষণ তুলে ধরেছি.

এই গবেষণার সময় আমরা দেখেছি, দুর্বলতা সংশোধন ও ব্যবহারকারীদের সুরক্ষিত রাখতে Linux-এর রক্ষণাবেক্ষণকারীরা দ্রুত কাজ করছেন. 2026 সালের অক্টোবরের মাঝামাঝি Linux কার্নেলের সর্বশেষ সংস্করণে স্ক্যানটি চালানো হয়েছিল. 10 দিন পর স্বয়ংক্রিয় স্ক্যান ও মানব গবেষকদের বিশ্লেষণ শেষ হওয়ার সময়, মূল প্রকল্পে ইতিমধ্যে 61টি LPE দুর্বলতার প্যাচ যুক্ত হয়েছিল, 43টির প্যাচ অন্তর্ভুক্তির প্রস্তুতিপর্বে ছিল এবং 299টি নিয়ে প্রকাশ্যে প্রতিবেদন দেওয়া ও আলোচনা চলছিল.

চিহ্নিত সমস্যাগুলো দ্রুত প্যাচ দিয়ে সংশোধন করতে Linux-এর রক্ষণাবেক্ষণকারীরা যে নিরলস কাজ করছেন, আমরা তার জন্য আন্তরিকভাবে কৃতজ্ঞ. একইভাবে, নিজেদের শনাক্ত করা সমস্যার তথ্য দিয়ে অবদান রাখা বৃহত্তর নিরাপত্তা কমিউনিটির প্রতিও আমাদের কৃতজ্ঞতা রয়েছে. বিশ্বজুড়ে সফটওয়্যারের নিরাপত্তা নিশ্চিত করতে এই সম্মিলিত তৎপরতা দরকার. যে গতিতে দুর্বলতার তথ্য প্রকাশ ও প্যাচ তৈরি হচ্ছে, তা ব্যবহারকারী ও কোম্পানিগুলোর সফটওয়্যার সবসময় হালনাগাদ রাখার গুরুত্বও স্পষ্ট করে.

শিক্ষণীয় বিষয়: প্যাচ দ্রুত তৈরি ও যুক্ত হওয়ার প্রক্রিয়ার সঙ্গে তাল মিলিয়ে স্বয়ংক্রিয় ট্রায়াজ চালানো প্রয়োজন. মূল স্ক্যানের পর সংযোজিত কোডসহ সর্বশেষ সংস্করণে সমস্যাগুলো পুনরায় যাচাই করলে পুনরাবৃত্ত বা আর প্রযোজ্য নয় এমন প্রতিবেদন দেওয়া এড়ানো সম্ভব. এভাবে এখনো সমাধান হয়নি এমন দুর্বলতায় মনোযোগ দেওয়া যায় এবং রক্ষণাবেক্ষণকারীদের হাতে কার্যকর পদক্ষেপ নেওয়ার মতো প্রমাণ তুলে দেওয়া যায়, বাড়তি অপ্রয়োজনীয় পর্যালোচনার বোঝা না চাপিয়ে.

পাইপলাইন তৈরির সময়, 2026 সালের জুলাইয়ের শেষ দিকে, GPT‑5.6 Sol মোট 166টি স্বতন্ত্র LPE দুর্বলতা খুঁজে বের করে সেগুলো কাজে লাগিয়েছে. পুরো প্রক্রিয়ায় API ক্রেডিট বাবদ খরচ হয়েছে 513,690 মার্কিন ডলার.

দ্বিতীয় স্ক্যানে, 2026 সালের অক্টোবরের মাঝামাঝি, নতুন সাইবার মডেলটি 948টি স্বতন্ত্র LPE দুর্বলতা খুঁজে বের করে সেগুলো কাজে লাগিয়েছে. পুরো প্রক্রিয়ায় API ক্রেডিট বাবদ খরচ হয়েছে 1,213,430 মার্কিন ডলার. উভয় কার্যক্রমেই আমরা সে সময়ের সর্বশেষ Linux কার্নেল মাস্টার ব্রাঞ্চ স্ক্যান করেছি.

শিক্ষণীয় বিষয়: মডেল আরও সক্ষম হয়ে উঠলে পূর্বে নিরীক্ষিত কোড নতুন করে স্ক্যান করা উচিত. গবেষণার জন্য একই কার্যপরিধি ব্যবহার করেও উন্নততর মডেল এমন দুর্বলতা শনাক্ত করতে পারে, যা আগের মডেলগুলো ধরতে পারেনি.

এজেন্টগুলোর তৈরি এক্সপ্লয়েট থেকে আমরা নমুনা হিসেবে 166টি বেছে নিয়ে সেগুলোতে ব্যবহৃত কৌশল বিশ্লেষণ করেছি. আমাদের জানা মতে, এই নমুনাগুলোতে এজেন্টগুলো দুর্বলতা কাজে লাগানোর 10টি নতুন কৌশল ব্যবহার করেছে. আমরা কৌশলগুলো তৃতীয় পক্ষের কার্নেল এক্সপ্লয়েটেশন বিশেষজ্ঞদের সঙ্গে শেয়ার করেছি; তাঁদের কাছেও এগুলো নতুন ছিল.

10টি কৌশলের মধ্যে দুটি হলো নতুন পারসিস্টেন্ট ইলাস্টিক অবজেক্ট, যা ব্যবহার করে মডেলটি লক্ষ্য কার্নেল ক্যাশের ভেতরে বিপুলসংখ্যক অবজেক্ট ছড়িয়ে দিয়েছে; দুটি হলো এক্সপ্লয়েটের নির্ভরযোগ্যতা বাড়ানোর নতুন পেজ গ্রুমিং কৌশল; পাঁচটি হলো সরাসরি বা ইচ্ছেমতো মেমোরিতে লেখার মাধ্যমে অ্যাক্সেসের অধিকার বাড়ানোর নতুন ডেটা-অনলি কৌশল; আর অন্য কৌশলটিতে ইচ্ছেমতো টাইপ কনফিউশন ঘটানো হয়. নিরাপত্তার কারণে এই পোস্টে নতুন এক্সপ্লয়েটেশন কৌশলগুলোর পূর্ণ কারিগরি বিবরণ প্রকাশ করছি না.

শিক্ষণীয় বিষয়: অত্যাধুনিক মডেলগুলো শুধু পরিচিত দুর্বল কোডের ধরন মেলায় না বা কেবল জানা এক্সপ্লয়েটেশন কৌশল ব্যবহার করে না; এগুলো সৃজনশীলতা ও নতুন পদ্ধতিও দেখায়.

দুর্বলতা খুঁজে বের করা ও কাজে লাগানোর খরচ পরিমাপ করা এবং সেই প্রমাণের ভিত্তিতে প্রতিরক্ষামূলক বিনিয়োগের দিকনির্দেশনা দেওয়া আমাদের দলের লক্ষ্যের একটি গুরুত্বপূর্ণ অংশ. আমরা চাই, আক্রমণকারীরা দুর্বলতা কাজে লাগানোর আগেই নিরাপত্তার দায়িত্বে থাকা ব্যক্তিরা সেগুলো সংশোধন করতে পারেন এবং সফটওয়্যার এক্সপ্লয়েট করার খরচ আক্রমণকারীদের জন্য এত বেশি হয় যে তা আর সাশ্রয়ী না থাকে. দুর্বলতা কাজে লাগানোর খরচ পরিমাপ করলে মডেলের সক্ষমতা বাড়ার সঙ্গে এই চ্যালেঞ্জ কীভাবে বদলায়, তা মূল্যায়ন করতে পারি. এই অংশে আমরা আমাদের পাইপলাইন চালানোর খরচের সঙ্গে শনাক্ত দুর্বলতাগুলোর জন্য বাগ বাউন্টি প্রোগ্রামের পুরস্কার তুলনা করেছি.

আমাদের পরীক্ষায় লক্ষ্য ভার্চুয়াল মেশিনগুলোতে ডেস্কটপ অপারেটিং সিস্টেমের অপরিবর্তিত সংস্করণ চলছিল; সেগুলোকে ইচ্ছাকৃতভাবে দুর্বল করা হয়নি. সাইবার নিরাপত্তা প্রতিযোগিতায়, (যেমন Pwn2Own⁠(একটি নতুন উইন্ডোতে খোলে), TyphoonPWN⁠(একটি নতুন উইন্ডোতে খোলে)) -এ, ব্যবহৃত একই থ্রেট মডেল অনুসরণ করা হয়েছে. অতীতে Linux কার্নেলের লোকাল প্রিভিলেজ এসকেলেশন এক্সপ্লয়েটের জন্য Pwn2Own ও TyphoonPWN যথাক্রমে 20,000 ও 70,000 মার্কিন ডলার বাগ বাউন্টি দিত. আগের সেই পুরস্কারের অঙ্ক 948টি এক্সপ্লয়েটের ক্ষেত্রে প্রয়োগ করলে কাল্পনিক মূল্য দাঁড়ায় 18.9–66.3 মিলিয়ন মার্কিন ডলার, যা আমাদের পাইপলাইনের খরচের প্রায় 16–55 গুণ.

আমরা গুগলের kernelCTF⁠(একটি নতুন উইন্ডোতে খোলে) দুর্বলতা শনাক্তের পুরস্কার প্রোগ্রামের বিপরীতেও আমাদের পাইপলাইন পরীক্ষা করেছি. এই প্রোগ্রামে পরীক্ষার লক্ষ্য হিসেবে থাকে নিরাপত্তা জোরদার করা ও আক্রমণযোগ্য অংশ কমানো একটি Linux কার্নেল. kernelCTF এর পরিবেশে আমরা Linux কার্নেলের সর্বশেষ সংস্করণে পাইপলাইন চালিয়েছি. (সংস্করণটি kernelCTF এর SLAB_VIRTUAL সুরক্ষাব্যবস্থার সঙ্গে সামঞ্জস্যপূর্ণ না হওয়ায়) আমরা সেটি কনফিগারেশন থেকে বাদ দিয়েছি. এতে তথ্য ফাঁসের 25টি প্রুফ-অব-কনসেপ্ট ও 21টি লোকাল প্রিভিলেজ এসকেলেশন এক্সপ্লয়েট পাওয়া গেছে. তুলনার জন্য, এই লেখা পর্যন্ত 2026 সালে kernelCTF এ 26টি যাচাইকৃত জিরো-ডে LPE এক্সপ্লয়েট গৃহীত হয়েছে. পুরো কার্যক্রমে মোট 112 ঘণ্টা লেগেছে এবং API ক্রেডিট বাবদ প্রায় 32,936 মার্কিন ডলার খরচ হয়েছে. এই API ব্যয়ের 83.7% হয়েছে দুর্বলতা অনুসন্ধানে. 21টি দুর্বলতা প্রোগ্রামে গৃহীত হলে প্রায় 1.5 মিলিয়ন মার্কিন ডলার বাউন্টি পাওয়া যেত, যা খরচের আনুমানিক 45 গুণ.

শিক্ষণীয় বিষয়: প্রকাশিত পুরস্কারের অঙ্কের ভিত্তিতে, বর্তমান সাইবার সক্ষমতাসম্পন্ন মডেল ব্যবহার করে আমাদের দুর্বলতা গবেষণার পাইপলাইন এই গবেষণার সময় খরচ বাদ দিয়েও লাভজনক ছিল. নিরাপত্তার দায়িত্বে থাকা ব্যক্তিদের আগেভাগেই নিজেদের সফটওয়্যার বিশ্লেষণ করা উচিত, যাতে আক্রমণকারীদের জন্য দুর্বলতা কাজে লাগানোর খরচ অসহনীয় হয়ে ওঠে.

দুর্বলতা কাজে লাগানো সম্ভব কি না তা মূল্যায়নের সময় ExploitDev এজেন্টগুলোকে একটি দুর্বলতার প্রতিবেদন দিয়ে সম্পূর্ণ কার্যকর এক্সপ্লয়েট তৈরির দায়িত্ব দেওয়া হয়েছিল. সফলভাবে রুট শেল পাওয়া গেলে আমাদের পাইপলাইন সেই দুর্বলতাকে কাজে লাগানো হয়েছে বলে চিহ্নিত করত. শুরুর দিকের একটি রানে এক্সপ্লয়েটেশন ধাপে 200টি সফল লোকাল প্রিভিলেজ এসকেলেশন এক্সপ্লয়েটের কথা জানানো হয়. তবে মানব গবেষকদের পর্যালোচনায় দেখা যায়, এর মধ্যে 20টি নির্ধারিত দুর্বলতার পরিবর্তে অন্য একটি জিরো-ডে দুর্বলতা কাজে লাগিয়ে রুট অনুমতি অর্জন করেছে. এটি ইঙ্গিত করে, এজেন্টগুলো সফলভাবে এক্সপ্লয়েট করলেও তা যথাযথভাবে যাচাই করা প্রয়োজন.

এরপর আমরা কাজের শর্তগুলো আরও কঠোর করেছি এবং প্রতিটি চূড়ান্ত এক্সপ্লয়েট নির্ধারিত দুর্বলতাই ব্যবহার করেছে কি না নিশ্চিত করতে একটি স্বাধীন যাচাই ধাপ যোগ করেছি.

শিক্ষণীয় বিষয়: স্বয়ংক্রিয় নিরাপত্তা গবেষণায় শুধু ফলাফল নয়, সেই ফলাফলে পৌঁছানোর পথও যাচাই করুন; বিচ্ছিন্ন পরিবেশ, পর্যবেক্ষণ ও স্বাধীন যাচাই অপরিহার্য নিয়ন্ত্রণব্যবস্থা.

গবেষণার শুরুতে আমরা ভেবেছি, এজেন্টের সাইবার সক্ষমতা বাড়াতে তার চারপাশে বিস্তৃত সমন্বয়ব্যবস্থা তৈরি করা উচিত কি না. আমাদের ফলাফল ইঙ্গিত দিয়েছে, বেশি সক্ষম মডেলের জন্য কম সমন্বয় ও ধাপে ধাপে সহায়তা দরকার. আর সামান্য বাড়তি উন্নতির তুলনায় রক্ষণাবেক্ষণের খরচ যুক্তিসংগত নয়. তাই আমরা বিস্তৃত সমন্বয়ব্যবস্থা সরিয়ে ফেলার সিদ্ধান্ত নিই.

পরীক্ষায় GPT‑5.5 Cyber ও GPT‑5.6 Cyber-এর তুলনা করা হয়েছে. আমাদের পর্যবেক্ষণে, Linux কার্নেলের বিদ্যমান এক্সপ্লয়েটেশন কৌশল কখন ও কীভাবে প্রয়োগ করতে হবে, তা GPT‑5.5 Cyber ধারাবাহিকভাবে শনাক্ত করতে পারেনি. এরপর আমরা 103টি কৌশল মডেলের উপযোগী বিন্যাসে সাজিয়ে এজেন্টের পরিবেশে সরবরাহ করেছি এবং সেগুলো ব্যবহার করার নির্দেশ দিয়েছি. এক্সপ্লয়েট তৈরির জন্য বাছাই করা 63টি সম্ভাব্য দুর্বলতার ক্ষেত্রে এতে সাফল্যের হার 76.2% থেকে বেড়ে 88.9% হয়েছে.

GPT‑5.6 Cyber দিয়ে একই পরীক্ষা করার সময় দেখা গেছে, মডেলটি নিজে থেকেই প্রাসঙ্গিক কৌশল খুঁজে বের করা, বেছে নেওয়া ও প্রয়োগে বেশি সক্ষম. আমরা কৌশল ও স্কিল ব্যবহারের সমন্বয়ব্যবস্থা সরিয়ে দিয়েছি. এই সহজতর পরিচালন কাঠামোয় GPT‑5.6 Cyber-এর ওয়ার্কফ্লো বেশি সহায়ক কাঠামোনির্ভর GPT‑5.5 Cyber-এর ওয়ার্কফ্লোের চেয়ে ভালো ফল দিয়েছে. GPT‑5.6 Cyber-এর জন্য কৌশলের বাড়তি স্তরটি আবার যোগ করলে মাত্র 1.5 শতাংশ পয়েন্ট উন্নতি হয়েছে.

শিক্ষণীয় বিষয়: মূল মডেলের সক্ষমতা পরিবর্তনের সঙ্গে কাজ পরিচালনার ব্যবস্থা এবং মডেল চালানোর সরঞ্জাম ও পরিবেশ নতুন করে যাচাই করুন. এক প্রজন্মের মডেলকে যে অতিরিক্ত কাঠামো অনেকটা এগিয়ে দেয়, আরও সক্ষম মডেলের জন্য সেটি তেমন কাজে নাও আসতে পারে. সে ক্ষেত্রে কাঠামোটি বজায় রাখার লাভ ও রক্ষণাবেক্ষণের খরচ বিবেচনা করা প্রয়োজন.

প্রাথমিকভাবে সম্ভাব্য সমাধান হিসেবে প্যাচ বানানোর সরাসরি নির্দেশ দিলে মডেল এমন প্যাচ তৈরি করত, যা সঠিকভাবে কাজ করে প্রুফ-অব-কনসেপ্টের মাধ্যমে দেখানো দুর্বলতা মোকাবিলা করত. কিন্তু মাঝে মাঝে নতুন সমস্যাও তৈরি হতো—অপ্রয়োজনীয় বাড়তি কোড, কার্যক্ষমতায় সম্ভাব্য বিরূপ প্রভাব কিংবা কোডিং রীতি না মানা. কখনো একই দুর্বলতার অন্য রূপ আছে কি না দেখতে সম্পর্কিত কোড খতিয়ে না দেখায় সংশোধনও অসম্পূর্ণ থাকত.

প্যাচ তৈরির প্রক্রিয়ায় বাড়তি নির্দেশনা ও ধারাবাহিক পরিমার্জন প্যাচের মান উন্নত করেছে. এতে বোঝা যায়, যথাযথভাবে পরিচালনা করলে এআই-এর তৈরি নিরাপত্তা প্যাচ সঠিক, প্রয়োজনীয় ন্যূনতম কোডে সীমিত এবং বিদ্যমান কোডিং রীতির সঙ্গে সামঞ্জস্যপূর্ণ হতে পারে. এ বিষয়ে সক্রিয়ভাবে গবেষণা চলছে, এবং আমাদের বিশ্বাস, ভবিষ্যতের মডেলগুলো দিয়ে কাজটি আরও সহজ ও কার্যকর হবে. কয়েকটি ক্ষেত্রে আমাদের গবেষণার প্রোটোটাইপ মানব বিশেষজ্ঞদের লেখা প্যাচেও সমস্যা শনাক্ত করতে পেরেছে. মূল কোডে যুক্ত করার আগেই সেগুলো সংশোধন করা হয়েছে.

শিক্ষণীয় বিষয়: মডেল প্যাচ তৈরির প্রক্রিয়া দ্রুত করতে পারে. তবে প্যাচগুলো নির্ভরযোগ্যভাবে কার্যগত ও অকার্যগত—উভয় ধরনের প্রয়োজনীয়তা পূরণ করছে কি না নিশ্চিত করতে প্যাচ তৈরির স্কিল এবং সেগুলো চালানোর অবকাঠামো ধাপে ধাপে পরিমার্জনের প্রয়োজন হতে পারে. পাশাপাশি, মানুষ ও এআই-এর তৈরি প্যাচ আক্রমণকারীর দৃষ্টিকোণ থেকে পর্যালোচনায় মডেল ব্যবহারের পরামর্শ দিই. এতে প্যাচ পাশ কাটানো সম্ভব কি না, আক্রমণের অন্য পথ বা দুর্বলতার ভিন্ন রূপ বাদ পড়েছে কি না, এমন বিভিন্ন সমস্যা শনাক্ত করা যায়.

kernelCTF-এ পাইপলাইন চালানোর সময় Linux কার্নেলের 21টি জিরো-ডে এক্সপ্লয়েট ছাড়াও আমাদের গবেষণার প্রোটোটাইপ QEMU TCG-এর একটি দুর্বলতা খুঁজে বের করে কাজে লাগিয়েছে. অ্যানালিস্ট এজেন্টকে সিস্টেম কলের প্রবেশপথের কোড বিশ্লেষণের দায়িত্ব দেওয়া হয়েছিল. অনুমতির স্তর পরিবর্তন নিয়ে পরীক্ষা করার জন্য প্রোগ্রাম লেখার সময় এটি অপ্রত্যাশিতভাবে কার্নেল ক্র্যাশের মুখোমুখি হয়. এজেন্টটি ক্র্যাশের প্রাথমিক বিশ্লেষণ করে সমস্যার উৎস QEMU TCG পর্যন্ত শনাক্ত করে এবং দুর্বলতাটি প্রতিবেদনে অন্তর্ভুক্ত করে, যদিও QEMU-এর সোর্স কোডে তার অ্যাক্সেস ছিল না. পরে ExploitDev এজেন্ট এই দুর্বলতার জন্য সফলভাবে একটি লোকাল প্রিভিলেজ এসকেলেশন এক্সপ্লয়েট তৈরি করে. এক্সপ্লয়েটগুলো হাতে-কলমে বিশ্লেষণের সময় আমরা QEMU-এর এই দুর্বলতাটি আবিষ্কার করি এবং নিশ্চিত হই যে মূল QEMU প্রকল্পে এটি সংশোধন করা হয়েছিল, কিন্তু পরীক্ষায় ব্যবহৃত রিলিজ বিল্ডে সেই সংশোধন ছিল না.

শিক্ষণীয় বিষয়: অত্যাধুনিক সাইবার সক্ষমতাসম্পন্ন ফ্রন্টিয়ার মডেল পরীক্ষার অবকাঠামোতেও দুর্বলতা খুঁজে পেতে পারে. আক্রমণাত্মক পদ্ধতিতে দুর্বলতা গবেষণা শুরু করার আগে অবকাঠামোর প্রতিটি অংশ পরীক্ষা করার পরামর্শ দিই. আমরা আগেভাগেই উদ্যোগ নিয়ে নিজেদের অবকাঠামো পরীক্ষা করেছি এবং Kata, Moby/Docker, gVisor ও অন্যান্য প্রকল্পের অনেক দুর্বলতা প্রকাশ ও প্যাচ দিয়ে সংশোধন করেছি.

ইন্টারনেটের নিরাপত্তায় নিয়োজিত মানুষদের জন্য মডেলের ক্রমবর্ধমান সক্ষমতাকে দীর্ঘস্থায়ী সুবিধায় রূপ দেওয়াই আমাদের লক্ষ্য. এই গবেষণা দেখায়, অত্যাধুনিক মডেলগুলোর বাড়তে থাকা সাইবার সক্ষমতা দিয়ে Linux কার্নেলের মতো জটিল সফটওয়্যারে কার্যকরভাবে দুর্বলতা খুঁজে বের করা যায়. Linux ও অন্যান্য ওপেন-সোর্স প্রকল্পের মতো গুরুত্বপূর্ণ সফটওয়্যার প্রকল্পের নিরাপত্তা জোরদার করলে সেগুলোর ওপর নির্ভরশীল বহু সিস্টেম ও ব্যবহারকারীকে সুরক্ষা দেওয়া সম্ভব.

Daybreak-এর উদ্যোগ Patch the Planet-এর মাধ্যমে আমরা এই গবেষণাকে আরও বেশি গুরুত্বপূর্ণ সফটওয়্যার প্রকল্পে সম্প্রসারিত করতে চাই. পাশাপাশি, রক্ষণাবেক্ষণকারী ও নিরাপত্তা অংশীদারদের সঙ্গে মিলে নির্ভরযোগ্য স্বয়ংক্রিয় প্যাচিং ব্যবস্থা গড়ে তোলার লক্ষ্য রয়েছে আমাদের. আমরা ধীরে ধীরে আক্রমণকারীদের সুযোগ কমাতে এবং দুর্বলতা খুঁজে বের করে কাজে লাগানোর খরচ বাড়াতে চাই, যতক্ষণ না সম্ভাব্য লাভের তুলনায় আক্রমণের খরচ এতটাই বেড়ে যায় যে আক্রমণ করা আর যৌক্তিক থাকে না.

মডেলের প্রতিটি প্রজন্মের উচিত আমাদের এমন সফটওয়্যার তৈরিতে সাহায্য করা, যার নিরাপত্তা ভাঙা পরবর্তী প্রজন্মের জন্য আরও কঠিন হবে. আমরা এমন একটি নিরাপদ ইন্টারনেট গড়ে তোলার লক্ষ্যে কাজ চালিয়ে যাব, যাকে ভিত্তি করে যে কেউ আনন্দের সঙ্গে নতুন কিছু তৈরি করতে পারবেন.