通往 root 權限的路徑，少了一千條

過往的安全研究，需要針對每項發現逐一進行持續調查；如今，這類工作已愈來愈能以系統化流程執行。本文介紹我們在這方面的一項工作。

漏洞發現愈來愈容易擴大規模，但釐定優先次序和驗證仍然是實際運作上的瓶頸。我們建立了一個原型，在受控研究環境中尋找 Linux 核心的安全缺陷。這個原型識別並分析了 2,308 個 Linux 核心疑似漏洞，動態重現了 1,724 個漏洞，並產生 948 個本機權限提升（LPE）漏洞利用程式，可讓沒有特權的本機用戶取得 root 存取權限。

我們根據這些證據釐定漏洞通報的優先次序，並開發候選修補程式，供維護者審核。按照 Linux 核心社群的指引，我們先處理嚴重漏洞，並正與 Patch the Planet 合作夥伴共同準備更多報告及修補程式。

6 月，作為 Patch the Planet 計劃的一部分，我們曾分享 GPT‑5.5 Cyber 已識別 Linux 核心漏洞，並開發了 24 個本機權限提升漏洞利用程式，用於驗證及通報這些漏洞。我們將這項工作拓展為一套由即將推出的網絡安全模型驅動的流程，涵蓋漏洞發現、動態驗證、可利用性評估及修補程式生成。流程完成後，人類研究員審核了輸出結果，並連同修補程式一併通報所發現的漏洞。

Linux 核心支撐着數十億人使用的 Android 裝置、雲端基礎設施、超級電腦及其他系統。核心包含超過 4,000 萬行程式碼，透過系統呼叫、網絡功能、檔案系統及裝置驅動程式，形成廣泛的攻擊面。我們選擇 Linux，是為了研究前沿模型在如此龐大且重要的程式碼庫中，能多有效地找出漏洞並展示其安全影響。

最初的漏洞發現階段產生了數千個疑似漏洞，數量太多，安全研究員無法逐一人手審核及分流。我們的漏洞發現流程在實際運作上的挑戰，不在於發現漏洞，而在於判斷哪些發現能夠重現、突破了甚麼安全邊界，以及哪些最值得維護者優先關注。

OpenAI 網絡安全團隊的使命，是協助保障全球所依賴的軟件安全。我們列出各階段的 API 成本，協助研究員評估重現及拓展這項工作所需的資源。這些成本反映了本次評估所使用的模型、目標配置及工作流程。我們更廣泛的目標，是協助防禦方找出並修補漏洞，減少攻擊者可乘之機，並提高他們利用軟件漏洞的成本。

最後，請注意，這項研究的重點是方法及模型能力的量度，而非成本。我們預期，只要對任務執行框架進行充分的工程優化，便能顯著降低各階段的成本；因此，我們列出的成本較接近上限估計。

我們的漏洞研究原型是一套包含五個階段的流程，以即將推出的網絡安全模型為核心：

• 漏洞發現：智能代理識別程式碼庫中與安全相關的部分，並掃描以找出疑似漏洞。

• 動態驗證：智能代理嘗試在隔離環境中重現每個疑似漏洞，並保留執行時的證據。這個步驟會輸出已重現並驗證的漏洞。

• 可利用性評估：智能代理測試已驗證的漏洞是否能導致資訊洩漏或本機權限提升。

• 修補程式生成：智能代理為每個已識別的漏洞生成修補程式。

• 人手審核：安全研究員審核漏洞利用程式、修補程式及建議的嚴重程度評級，再向維護者通報。

流程結束時，系統會將根本原因分析、可觸發崩潰的最小概念驗證程式、候選修補程式及完整漏洞利用程式整合成一套資料，以協助人類研究員評估漏洞嚴重性並向上游提交修復。

Linux 核心並非每一行程式碼都與安全相關。我們的流程使用一組偵察智能代理，識別高價值的審核目標，再交由分析智能代理進行漏洞掃描。

偵察智能代理會逐一閱讀資料夾及檔案，根據可達性（低權限用戶是否能觸及）及安全相關性，決定需要審核的目標。

這個階段識別了 5,034 個審核目標，涉及約 280 萬行程式碼，約佔整個 Linux 核心程式碼庫的 7%；與分析整個程式碼庫相比，大幅降低了安全審核成本。這個步驟耗用價值 3,426 美元的 API 積分。

接着，分析智能代理會使用與 Codex Security 外掛程式⁠（在新視窗中開啟）相似的工作流程，分析每個審核目標並找出疑似漏洞。概括而言，分析智能代理會閱讀獲分配的審核目標程式碼，了解其運作方式、識別其威脅模型，並從中尋找漏洞。

在 12 小時內，分析智能代理找出了 2,308 個去重後的疑似漏洞。這個階段耗用價值 316,549 美元的 API 積分。

疑似漏洞並不等同於經驗證的漏洞。面對這樣的數量，我們的研究團隊不可能逐份報告進行人手調查。

因此，我們集中驗證符合以下條件的疑似漏洞：a）低權限用戶可觸及；b）不需要特殊權能；c）能產生可量度的記憶體損壞證據。

對於每個疑似漏洞，分流智能代理會生成概念驗證程式，並在隔離的虛擬機器中執行；該虛擬機器運行的 Linux 核心啟用了 Kernel Address Sanitizer（KASAN）。智能代理會同時觀察程式輸出及系統控制台，然後反覆改良概念驗證程式，直至重現報告中的行為，或用盡所有可能的觸發方式。

在 30 小時內，我們的系統重現了 1,724 個漏洞，約佔 2,308 個疑似漏洞的 74.7%。單靠靜態程式碼審查容易出現誤報。因此，分析智能代理的準確度，以及分流智能代理能為近四分之三的疑似漏洞自主建立有效概念驗證程式的能力，都令我們印象深刻。

餘下大部分疑似漏洞，要麼需要較高權限，要麼因難以重現的競爭條件、特定觸發條件（例如必須在某一行發生記憶體分配失敗），或驗證過於耗時（例如參照計數回繞），而未能在時限內重現。只有 3.1% 屬於模型分析錯誤，即所報告的漏洞假設了一個不可能出現的條件。

驗證階段合共耗用價值 73,330 美元的 API 積分。我們觀察到，驗證流程需要生成概念驗證程式，以確認疑似漏洞是否真實存在，因此成本高於僅根據靜態分析提出建議；而嘗試驗證真陽性與假陽性結果的成本亦相若。因此，在流程較早階段排除誤報，能顯著提升成本效益。

驗證能確認漏洞確實存在，但無法判斷處理的迫切程度。例如，可能導致本機權限提升的漏洞，比只能導致本機阻斷服務的漏洞更值得優先處理。在驗證了 1,724 個漏洞後，下一項任務是識別對安全可能造成最大影響的漏洞。

初步篩選智能代理會以靜態方式審查每份報告、崩潰記錄及相關原始碼。我們刻意採用較寬鬆的篩選標準，避免排除可能嚴重的漏洞，同時濾除沒有合理利用路徑的個案。經篩選後，剩下 313 個疑似資訊洩漏漏洞及 1,238 個疑似本機權限提升漏洞。

接着，漏洞利用開發（ExploitDev）智能代理在隔離虛擬機器中測試這些疑似漏洞。虛擬機器啟用了標準 Linux 發行版的防護措施，包括監督模式執行防護（SMEP）、監督模式存取防護（SMAP）、核心位址空間配置隨機化（KASLR）及 HARDENED_USERCOPY。這有助避免作出依賴停用防護措施才成立的不切實際評估。

智能代理產生了 291 個資訊洩漏概念驗證程式，以及 1,169 個有效的本機權限提升漏洞利用程式，可讓沒有特權的本機用戶取得 root 存取權限。

我們進行了變種分析，並針對這些利用程式背後的漏洞，開發了 948 個不同的修補程式。我們以這個數字作為互不重複的 LPE 漏洞總數。成功的漏洞利用程式，平均每個開發成本為價值 359 美元的積分。這讓防禦方能以相對低廉的成本，測試已發現漏洞的可利用性。

初步漏洞篩選智能代理耗用價值 44,194 美元的 API 積分。漏洞利用階段合共耗用價值 775,929 美元的 API 積分，其中 84,929 美元用於處理疑似資訊洩漏漏洞，691,000 美元用於處理疑似本機權限提升漏洞。

平均而言，處理一個疑似本機權限提升漏洞的成本為 558 美元，約為處理一個疑似資訊洩漏漏洞（271 美元）的兩倍。這是因為資訊洩漏 PoC 可沿用驗證階段的成果，只需較少修改便能用於漏洞利用程式。另一方面，從疑似 LPE 漏洞開發利用程式，需要多個額外步驟，例如規劃漏洞利用策略、識別可用的易受攻擊物件，以及繞過緩解措施等。我們亦注意到，未成功的漏洞利用嘗試成本遠高於成功的嘗試：69 宗失敗個案平均每宗為 3,922 美元，而 1,169 宗成功個案平均每宗為 360 美元。這是由少數難以利用的漏洞（例如涉及競爭條件的漏洞）所致。若訂立合理的放棄條件，例如連續一小時沒有進展便停止嘗試，應可大幅降低 ExploitDev 的成本。

系統亦會為每個已驗證的漏洞生成修補程式。我們向模型提供相關原始碼，並指示它遵循編寫修補程式的最佳實務，例如對修補程式進行靜態檢查、遵從相鄰程式碼採用的軟件開發慣例，以及進行變種分析，確保修補完整。

按照 Linux 核心社群的建議，我們已提交數百份嚴重漏洞報告及修補程式，並正與 Patch the Planet 合作夥伴逐步提交其餘修補程式。這項工作是我們透過 Daybreak 支援開源項目的整體承諾的一部分。

本節分享這項研究帶來的心得、反思及進一步分析。

研究期間，我們觀察到 Linux 維護者正迅速修補漏洞，保障用戶安全。掃描於 2026 年 10 月中旬針對當時最新的 Linux 核心進行。10 天後，自主掃描及人手分析完成時，已有 61 個 LPE 漏洞在上游獲修補，43 個已有待整合的修補程式，另有 299 個正被公開通報及討論。

我們衷心感謝 Linux 維護者積極修補已識別的問題，也感謝更廣泛的安全社群分享他們的發現。要保障全球軟件安全，正需要這種共同協作。漏洞披露及修補的快速節奏，也凸顯用戶和企業必須讓軟件保持最新。

啟示：自動化分流應將快速的修補週期納入考量。以最新程式碼重新驗證研究發現，包括原始掃描後才合併的新程式碼，有助避免重複或過時的報告。這樣既能將注意力集中於尚未解決的漏洞，也能為維護者提供可據以行動的證據，而不增加不必要的審核負擔。

在我們開發流程期間，GPT‑5.6 Sol 於 2026 年 7 月下旬發現並成功利用了 166 個互不重複的 LPE 漏洞，整個流程耗用價值 513,690 美元的 API 積分。

2026 年 10 月中旬的第二次掃描中，較新的網絡安全模型發現並成功利用了 948 個互不重複的 LPE 漏洞，整個流程耗用價值 1,213,430 美元的 API 積分。兩次研究都掃描了當時最新的 Linux 核心 master 分支。

啟示：隨着模型能力提升，應重新掃描已審核的程式碼。即使使用相同的研究任務執行框架，能力更強的模型仍可能發現早期模型遺漏的漏洞。

我們抽樣檢視了智能代理開發的 166 個漏洞利用程式，並分析其中使用的漏洞利用技術。據我們所知，智能代理在這些抽樣程式中使用了 10 種全新的漏洞利用技術。我們與第三方核心漏洞利用專家分享了這些技術，他們亦表示從未見過。

這 10 種技術之中，兩種涉及新的持久性彈性物件，模型用它們在目標核心快取內進行物件噴灑；兩種是提升漏洞利用可靠性的新記憶體頁面佈局整理技術；五種是新的純資料技術，可直接或透過任意寫入達成權限提升；另一種則涉及任意類型混淆。基於安全考量，我們不會在本文分享這些新漏洞利用技術的完整技術細節。

啟示：前沿模型不只會比對已知的易受攻擊程式碼模式，也不只會使用已知的漏洞利用技術；它們展現了創造力，並能提出新方法。

量度發現及利用漏洞的成本，並以這些證據引導防禦投資，是我們團隊使命的重要一環。我們的目標是協助防禦方在攻擊者利用漏洞前完成修補，並讓利用軟件漏洞的成本高得令攻擊者卻步。量度漏洞利用成本，有助我們評估這項挑戰會如何隨模型能力提升而改變。本節會比較流程的執行成本，以及漏洞賞金計劃對所識別漏洞提供的獎勵。

實驗中的目標虛擬機器運行的是標準配置的桌面作業系統，並非刻意削弱防護的目標；採用的威脅模型亦與網絡安全競賽（例如 Pwn2Own⁠（在新視窗中開啟）、TyphoonPWN⁠（在新視窗中開啟））相同。過往 Pwn2Own 和 TyphoonPWN 曾分別為 Linux 核心本機權限提升漏洞利用程式提供 2 萬美元及 7 萬美元的漏洞賞金。若按這些過往賞金金額計算，948 個漏洞利用程式的假設估值為 1,890 萬至 6,630 萬美元，約為我們流程成本的 16 至 55 倍。

我們亦針對 Google 的 kernelCTF⁠（在新視窗中開啟） 漏洞獎勵計劃測試了這套流程。該計劃以經過安全強化、縮減了攻擊面的 Linux 核心作為目標。我們在 kernelCTF 環境中，針對最新版 Linux 核心執行流程，產生了 25 個資訊洩漏概念驗證程式及 21 個本機權限提升漏洞利用程式。由於該核心版本與 kernelCTF 的 SLAB_VIRTUAL 緩解措施不相容，我們從設定中移除了該措施。作為比較，截至撰文時，kernelCTF 在 2026 年已接納 26 個經確認的零日 LPE 漏洞利用程式。整次研究共歷時 112 小時，耗用價值約 32,936 美元的 API 積分，其中漏洞發現階段佔 API 成本的 83.7%。如果這 21 個漏洞獲計劃接納，可獲得約 150 萬美元的賞金，約為成本的 45 倍。

啟示：按公開的賞金金額計算，在本研究進行時，使用現有具網絡安全能力的模型執行我們的漏洞研究流程，已可帶來淨利潤。防禦方應主動分析自己的軟件，讓利用漏洞的成本高得令攻擊者卻步。

在可利用性評估期間，ExploitDev 智能代理會收到漏洞報告，並獲指派建立功能完整的漏洞利用程式。只要成功取得 root shell，我們的流程便會將該漏洞標記為已成功利用。在早期一次執行中，漏洞利用階段報告了 200 個成功的本機權限提升漏洞利用程式。然而，經人手審核後，我們發現其中 20 個並非利用獲分配的漏洞，而是透過另一個零日漏洞取得 root 權限。這顯示，即使智能代理成功利用了漏洞，仍需要適當驗證。

我們隨後收緊了任務限制，並加入獨立檢查，確認每個最終漏洞利用程式都使用了獲分配的漏洞。

啟示：自主安全研究除了驗證結果本身，也要驗證達成結果的路徑；隔離、監控及獨立檢查都是必要的控制措施。

研究初期，我們曾探討一項設計選擇：是否應為智能代理建立繁複的流程編排，以提升其網絡安全能力。結果顯示，較強的模型只需較輕量的流程編排及較少的逐步引導。額外帶來的微小改善，並不足以抵償維護成本。因此，我們決定移除繁複的流程編排。

這項實驗比較了 GPT‑5.5 Cyber 與 GPT‑5.6 Cyber。我們觀察到，GPT‑5.5 Cyber 未能穩定判斷何時及如何應用現有的 Linux 核心漏洞利用技術。於是，我們將 103 種技術整理成便於模型使用的格式，放入智能代理的環境，並指示智能代理使用。在 63 個待測試的漏洞中，這項做法將利用成功率由 76.2% 提升至 88.9%。

當我們以 GPT‑5.6 Cyber 重複測試時，模型更能自行尋找、選擇及應用相關技術。我們移除了技術／技能的流程編排，而這套僅採用輕量編排的 GPT‑5.6 Cyber 工作流程，表現優於配備較多輔助機制的 GPT‑5.5 Cyber 工作流程。為 GPT‑5.6 Cyber 重新加入額外技術層後，成功率僅輕微提升了 1.5 個百分點。

啟示：隨着基礎模型能力改變，應重新評估流程編排及任務執行框架。能顯著改善某一代模型表現的輔助機制，對更強的模型可能已沒有多少價值，應權衡其效益與維護成本。

最初，當我們直接要求模型生成候選修補程式時，模型能產生功能正確、可阻止概念驗證程式觸發漏洞的修補程式，但偶爾會引入其他問題：加入過多程式碼、可能犧牲效能、偏離編碼慣例，或未有檢查相關程式碼中是否存在同一漏洞的變種，導致修補不完整。

透過補充指示及反覆調整修補程式生成流程，我們改善了修補品質。這顯示，只要處理得宜，AI 生成的安全修補程式便有可能做到正確、精簡，並符合現有編碼慣例。這是目前正積極研究的領域，我們相信，未來的模型會讓這項工作更容易、更有效。在少數個案中，我們的研究原型亦能識別人類專家所編寫修補程式中的問題，讓這些問題在合併前獲得修正。

啟示：模型可以加快修補流程，但修補技能及任務執行框架可能需要反覆改進，才能確保修補程式可靠地滿足功能及非功能要求。此外，我們建議使用模型，從攻擊者角度審查人類及 AI 生成的修補程式，以識別修補可被繞過、遺漏其他攻擊路徑或變種等問題。

在 kernelCTF 執行中，除了 21 個 Linux 核心零日漏洞利用程式，我們的研究原型還發現並成功利用了一個 QEMU TCG 漏洞。分析智能代理獲指派分析系統呼叫入口程式碼，在編寫程式以測試權限切換時，遇到了意料之外的核心崩潰。它在無法存取 QEMU 原始碼的情況下，分析並排查這次崩潰，將問題追溯至 QEMU TCG，並把漏洞寫入報告。隨後，ExploitDev 智能代理成功為這個漏洞開發了本機權限提升漏洞利用程式。我們在人手分析漏洞利用程式時發現了這個 QEMU 漏洞，並確認它已在上游 QEMU 獲修補，但實驗所用的發行版本尚未包含該修補。

啟示：具備網絡安全能力的前沿模型，能發現測試基礎設施中的漏洞。我們建議在進行攻擊性漏洞研究前，先測試基礎設施的每個部分。我們已主動測試自己的基礎設施，披露並修補了 Kata、Moby/Docker、gVisor 及其他項目中的多個漏洞。

我們的目標，是將模型不斷增強的能力，轉化為守護互聯網安全的人員可長期依靠的優勢。這項研究顯示，前沿模型日益增強的網絡安全能力，可用於有效找出 Linux 核心等複雜軟件中的漏洞。強化 Linux 及其他開源項目等關鍵軟件的安全性，可保護眾多下游系統及用戶。

透過 Daybreak 計劃旗下的 Patch the Planet，我們希望將這項研究拓展至更多關鍵軟件項目，並與維護者及安全合作夥伴共同開發可靠的自動修補方案。我們希望逐步減少攻擊者可乘之機，提高發現及利用漏洞的成本，直至攻擊的預期回報不再值得付出代價。

每一代模型都應協助我們開發出下一代模型更難攻破的軟件。我們會繼續努力，建立一個安全的互聯網，讓所有人都能樂在其中地創造。