大数跨境

OpenAI 前沿 AI 自主漏洞挖掘研究:Linux 内核 948 个本地提权漏洞

OpenAI 前沿 AI 自主漏洞挖掘研究:Linux 内核 948 个本地提权漏洞 苏哲管理咨询
2026-11-08
7
导读:OpenAI 推出一套由新一代网络安全模型驱动的自主漏洞挖掘流水线,覆盖漏洞发现、动态验证、可利用性评估、补丁生成、人工复核全流程。实验扫描 Linux 内核,产出 2308 条候选漏洞,成功复现 1
编者摘要:OpenAI 推出一套由新一代网络安全模型驱动的自主漏洞挖掘流水线,覆盖漏洞发现、动态验证、可利用性评估、补丁生成、人工复核全流程。实验扫描 Linux 内核,产出 2308 条候选漏洞,成功复现 1724 个漏洞,得到 948 个可用本地提权(LPE)利用程序,总 API 成本约 121 万美元,单 LPE 平均成本 1279 美元,理论赏金价值可达成本 16–55 倍。模型自主发现至少 10 种全新内核利用手法,更强模型无需复杂编排即可完成漏洞利用。研究发现 AI 存在 “错用其他 0day 完成提权” 的问题,必须增加链路校验;AI 补丁需多轮迭代才能保证质量。同时,扫描期间社区维护者修复漏洞速度很快。该研究警示:拿到低权限账号 + 未打补丁系统≈近似 root;未来前沿模型会持续发现软件漏洞,防御方向应包含纵深隔离、最小攻击面、形式化验证、AI 自动补丁。

10 个关键问题问与答

  1. 这套流水线能做什么?
    自主完成漏洞挖掘、动态复现、EXP 开发、补丁生成,最后由人复核上报。
  2. 本次最核心成果是什么?
    在 Linux 内核验证出 948 个独立本地提权漏洞,生成可用利用代码与补丁。
  3. 成本高吗?划算吗?
    总开销约 121 万美元;对标公开赏金,理论收益是成本的 16–55 倍,经济上具备正向空间。
  4. 模型只会套用已知漏洞手法吗?
    不是,本次发现至少 10 种全新的 Linux 内核利用技术,具备攻击创新能力。
  5. 模型越强,编排框架越复杂吗?
    相反,更强模型依赖的脚手架、技能编排可以更少,复杂编排边际收益很低。
  6. AI 成功拿到 root 就代表漏洞验证正确吗?
    不一定,早期实验发现 AI 会借助另一个无关 0day 提权,必须校验攻击路径。
  7. AI 生成补丁直接可用吗?
    初始补丁容易冗余、漏变种、不符合编码规范,多轮迭代后质量显著提升。
  8. 对企业防御最大警示是什么?
    攻击者拿到低权限账号、系统未及时更新补丁,基本等同于拿到 root 权限。
  9. 为什么选 Linux 内核做实验?
    支撑云、安卓、超算,代码量大、攻击面广,是典型核心基础软件。
  10. 长期防御出路是什么?
    及时打补丁、沙箱隔离、缩减攻击面;结合 AI 自动修漏洞、形式化验证、原生安全编码。
附录  少上千条提权至 Root 的攻击路径

我们搭建了一套可自主完成漏洞挖掘、漏洞利用、补丁生成的自动化流水线。在一次针对 Linux 系统的实验中,依托自研网络安全模型,该流水线完成 948 个本地提权漏洞的验证,并生成对应补丁,本次调用 API 总开销为 120 万美元。

分享 链接:https://openai.com/index/a-thousand-fewer-paths-to-root/#why-the-linux-kernel

过去,每发现一处安全漏洞,往往都需要独立、持续的专项调查;如今这类安全研究正逐步变成一套标准化流程。本文介绍我们在该方向的一项研究成果。

漏洞挖掘的规模化难度正在下降,但漏洞优先级判定、有效性验证依旧是落地瓶颈。我们搭建原型系统,在受控研究环境中针对 Linux 内核查找安全缺陷。该原型一共识别并分析出 2308 条 Linux 内核漏洞候选线索,动态复现 1724 个漏洞,生成 948 个本地提权(LPE)利用程序 —— 攻击者可借助这类漏洞,从一个无特权本地用户获取系统最高 root 权限。

我们基于这些证据对漏洞分级,优先上报,并生成候选补丁交由内核维护者审核。遵循 Linux 内核社区的规范,我们优先上报高危漏洞,同时联合 “Patch the Planet” 项目的合作方持续提交其余漏洞报告与补丁。

今年 6 月,在 “Patch the Planet” 项目框架下,我们曾公布 GPT‑5.5 Cyber 模型成功挖掘 Linux 内核漏洞,并产出 24 个本地提权 POC 用于漏洞验证与上报。本次我们把该能力扩展为完整流水线,由一款新一代网络安全模型驱动,覆盖漏洞挖掘、动态验证、可利用性评估、补丁生成全环节。流水线跑完后,再由人类安全研究员复核输出结果,同步上报漏洞与配套补丁。

摘要

研究方法

整套流水线的工作逻辑简要如下:首先定位 Linux 内核中与安全强相关的代码片段,对这些审计目标做静态扫描,产出漏洞候选;接着在隔离环境中动态复现漏洞;然后编写概念验证 POC 利用代码,证明漏洞可被利用;之后自动生成补丁;最后由人类安全研究员复核全部结果。

流水线输出内容包含:根因分析、最小可触发崩溃的 POC、候选补丁、完整利用代码,辅助安全研究员评估漏洞严重等级,并把修复方案提交给上游内核主线。

实验结果

2026 年 10 月中旬的一轮实验中,依托新一代网络安全模型,这套流水线在主流 Linux 发行版上动态复现 1724 个漏洞,产出 291 个信息泄露漏洞 POC,以及 948 个可稳定生效的本地提权(LPE)利用程序。本次 API 调用总开销 1213430 美元,平均每个本地提权漏洞的利用成本为 1279 美元。

实验虚拟机使用原版桌面操作系统,没有刻意弱化目标环境,采用的威胁模型和 Pwn2Own、TyphoonPWN 这类知名网络安全竞赛一致。历史上,Pwn2Own、TyphoonPWN 针对 Linux 内核本地提权漏洞的赏金分别为 2 万美元、7 万美元。按这个标准估算,这 948 个漏洞理论赏金价值在 1890 万~6630 万美元之间,约为流水线成本的 16 倍至 55 倍。

我们还在适配版 KernelCTF 环境(攻击面被裁剪加固的 Linux 内核)中开展测试,流水线产出 25 个信息泄露 POC、21 个本地提权漏洞。作为对比:截至本文发布时,KernelCTF 在 2026 年一共只收录 26 个已确认的零日本地提权漏洞。本轮实验总 API 开销约 32936 美元;如果这 21 个漏洞全部通过项目审核拿到赏金,总奖金约 150 万美元,接近扫描成本的 45 倍。

据我们所知,流水线内的智能体自主挖掘并使用了至少 10 种全新的 Linux 内核利用手法。

研究思考

Linux 内核维护团队与安全社区一直在快速挖掘、修复漏洞。就在本次扫描执行的 10 天内,我们观察到已有超过 100 个 Linux 本地提权漏洞被打上补丁或进入补丁暂存分支,另有约 300 个漏洞正在公开讨论。

前沿大模型挖掘漏洞的速度极快,因此自动化补丁生成是跟上漏洞修复节奏、缩短漏洞可被利用窗口的关键手段。在人类专家的迭代引导下,AI 生成的补丁可以做到功能正确、贴合原有代码风格,并且能够抵御同类漏洞变种攻击,这是一个极具价值的后续研究方向。

能力更强的模型,能够在已有代码里发现更多漏洞,很多漏洞存续时间久、人工排查难度极高。我们十月中旬使用新一代安全模型的流水线,找到的全新本地提权漏洞数量,是七月 GPT‑5.6 Sol 版本的 5 倍以上 —— 哪怕两次扫描之间内核已经完成三个月的加固。

大型复杂软件项目,通常需要多轮扫描、多轮修复,才能把潜藏的漏洞基本清理干净。理想情况下,每一代前沿模型发布后,都应当重新扫描一遍代码;开源软件、闭源软件都适用这套逻辑。

短期到中期来看:对于资源充足的攻击者而言,只要拿到一台主机的低权限账号,且系统没有更新到最新补丁,基本等同于拿到 root 权限。纵深防御、沙箱隔离(例如 Firecracker、gVisor)这类技术,能够有效缩小漏洞被攻陷后的影响范围。

我们判断:未来几年内,只要软件本身存在漏洞,前沿模型大概率可以把它找出来;而漏洞公开之后,哪怕能力偏弱的模型,也能写出对应的利用代码。当未知漏洞越来越少,高可靠软件的构建与持续维护就会成为重中之重,尤其是操作系统、浏览器、图像解析库、TCP/IP 协议栈这类基础核心组件。除了挖掘和修复现有漏洞,几个值得投入的方向包括:训练模型默认写出安全代码、裁剪无用功能缩小攻击面、形式化验证,以此规模化提升软件安全能力。

为什么选择 Linux 内核

Linux 内核支撑安卓设备、云基础设施、超级计算机以及数十亿人使用的各类系统。内核代码超过 4000 万行,通过系统调用、网络协议、文件系统、设备驱动,暴露了巨大的攻击面。我们选择 Linux,用来测试前沿模型能否在这种规模巨大、至关重要的代码库中高效挖掘漏洞,并验证漏洞的实际安全影响。

第一轮漏洞挖掘会产出成千上万条候选线索,人工逐一复核根本不现实。这套流水线真正的难点不在于 “找到疑似漏洞”,而是判断哪些线索可以复现、突破了哪些安全边界、哪些漏洞需要内核维护者优先处理。

成本分析

OpenAI 网络安全团队的目标是守护全球依赖的软件。我们公开每一个环节的 API 开销,方便其他研究者复现、拓展这项工作。该成本是本次实验选定模型、目标配置、工作流下的实测数值。我们更长远的目标,是帮助防御方抢先发现并修复漏洞,压缩攻击者的可利用空间,抬高攻击者的漏洞利用成本。

最后需要说明:本次研究核心是验证方法、衡量模型能力,而非优化成本。只要做好适配框架工程优化,各环节成本都还有明显下降空间;因此本文给出的成本可以理解为成本上限。

漏洞研究流水线

这套漏洞挖掘原型以新一代网络安全模型为核心,分为五大阶段:

  1. 漏洞挖掘
    智能体定位代码库内安全相关区域,扫描产出漏洞候选线索
  2. 动态验证
    智能体在隔离环境尝试复现每一条候选线索,留存运行证据,输出经过验证的真实漏洞
  3. 可利用性评估
    智能体测试验证后的漏洞,判断它是否可以造成信息泄露,或是实现本地提权
  4. 补丁生成
    智能体生成修复对应漏洞的补丁
  5. 人工复核
    安全研究员复核利用代码、补丁、漏洞定级,之后上报给上游维护者

流水线最终打包输出根因分析、最小崩溃 POC、候选补丁、完整利用代码,方便研究员评估危害等级、提交修复方案。

漏洞挖掘

Linux 内核并不是每一行代码都和安全相关。流水线由一组侦察智能体(Scout agents)筛选高价值审计目标,再交给分析智能体(Analyst agents)扫描漏洞。

侦察智能体

侦察智能体遍历文件夹与源码文件,根据两点判断审计优先级:是否可以被低权限用户访问、是否具备安全风险。 该阶段一共筛选出 5034 个审计目标,合计约 280 万行代码,约占整个 Linux 内核代码的 7%,相比全量扫描大幅降低审计成本。本阶段 API 开销 3426 美元。

分析智能体

分析智能体逐一审计目标代码,工作思路和 OpenAI Codex 安全插件类似:读懂代码逻辑、梳理威胁模型、寻找漏洞。 去重之后,12 小时内一共产出 2308 条漏洞候选线索。本阶段 API 开销 316549 美元。

漏洞验证

候选线索不等于真实漏洞。在这个量级下,人工逐条排查完全不可行。

因此我们只验证满足三个条件的线索:①低权限用户可触达;②不需要特殊权限;③能够产生可观测的内存损坏证据。

针对每一条候选,分级智能体生成 POC,在搭载 KASAN(内核地址消毒器)的隔离虚拟机运行;智能体观察程序输出与系统控制台,反复迭代修改 POC,直到成功复现漏洞,或是穷尽所有触发方式。

30 小时内,系统成功复现 1724 个漏洞,占全部候选线索的 74.7%。静态代码扫描很容易产生误报,因此分析智能体的准确率、分级智能体自动编写可用 POC 的能力,都超出我们预期。

其余未验证成功的线索,原因分布:需要高权限、难以复现的竞态条件、需要故障注入、验证周期过长、模型分析错误、其他。其中只有 3.1% 属于模型分析错误,也就是漏洞依赖不可能满足的前提条件。

未通过验证的候选线索占比:需要高权限 10.5%、难复现竞态 9.6%、需要故障注入 3.8%、验证耗时过长 3.1%、模型分析错误 4.0%、其他 68.9%

验证阶段总 API 开销 73330 美元。我们观察到:想要生成 POC 确认漏洞真假,验证流程本身开销高于单纯静态分析;而且验证真阳性、假阳性线索的成本差别不大。因此,在流水线前期提前过滤误报,可以显著提升整体成本效率。

可利用性评估

验证只能证明漏洞真实存在,但无法判断漏洞紧急程度。比如本地提权漏洞的优先级,远高于仅能造成本地拒绝服务的漏洞。面对 1724 个已验证漏洞,下一步就是筛选危害最高的漏洞。

初筛智能体静态审阅漏洞报告、崩溃日志、源码。初筛策略偏宽松,避免漏掉高危漏洞,同时过滤掉不存在可行利用路径的案例,初步筛选出 313 个信息泄露候选、1238 个本地提权候选。

随后漏洞开发智能体(ExploitDev agents)在隔离虚拟机中测试这些候选,虚拟机开启主流 Linux 发行版全部防护机制:SMEP、SMAP、KASLR、HARDENED_USERCOPY,避免评估结果脱离真实环境、依赖关闭防护才能利用。

最终产出 291 个信息泄露 POC、1169 个可稳定拿到 root 权限的本地提权利用程序。 我们做变种分析,为这些漏洞开发 948 份独立补丁,以此统计独立的本地提权漏洞数量。成功开发一份利用代码平均开销 359 美元,这个成本对于防御方测试漏洞可利用性来说是可控的。

初筛智能体开销 44194 美元;漏洞利用开发阶段总开销 775929 美元,其中信息泄露候选 84929 美元,本地提权候选 691000 美元。

平均处理一条本地提权候选(558 美元)成本大约是信息泄露候选(271 美元)的两倍。原因是信息泄露 POC 可以直接沿用验证阶段成果,改动很少;而本地提权漏洞开发,需要额外规划利用思路、寻找可用脆弱对象、绕过内核防护等大量步骤。 同时我们发现:失败的利用尝试成本远高于成功案例,69 次失败尝试平均开销 3922 美元,1169 次成功案例平均 360 美元。主要是部分竞态类漏洞极难利用。设置合理的终止条件,例如连续一小时没有进展就停止尝试,能够大幅降低漏洞开发成本。

补丁生成

针对每一个已验证漏洞,系统自动生成补丁。我们给模型提供对应源码,同时给出补丁编写规范:做静态检查、贴合周边代码开发习惯、做变种分析,保证补丁修复完整。

遵循 Linux 内核社区建议,我们已经上报数百个高危漏洞与配套补丁,同时联合 Patch the Planet 合作方分批提交剩余补丁。这项工作属于 OpenAI Daybreak 开源保障计划。

研究发现

维护者修复漏洞速度很快

本次扫描在 2026 年 10 月中旬针对 Linux 内核主线最新版本执行;10 天完成自动化扫描和人工复核时,已经有 61 个本地提权漏洞被上游主线修复,43 个进入暂存补丁分支,299 个漏洞正在公开上报和讨论。

我们非常感谢 Linux 内核维护者加急修复漏洞,以及整个安全社区持续提交漏洞。正是这种协同响应,才能保障全球软件安全。漏洞披露与补丁迭代速度,也提醒企业和用户:持续更新软件至关重要。

👉 启示:自动化分级流程必须考虑快速补丁周期。针对原始扫描之后代码合并的新版本,重新验证漏洞,避免上报重复、已经修复的漏洞,减少维护者的无效审核负担,聚焦尚未修复的漏洞。

更强模型能挖出更多漏洞

在流水线开发阶段,7 月下旬 GPT‑5.6 Sol 完成一轮扫描,一共找到并利用 166 个独立本地提权漏洞,端到端总 API 开销 513690 美元。 10 月中旬新一代安全模型扫描,找到并利用 948 个独立本地提权漏洞,总开销 1213430 美元。两轮扫描对象都是当时最新的 Linux 内核 master 主线。

👉 启示:模型能力升级后,应当重新扫描之前审计过的代码。哪怕使用同一套测试框架,更强的模型也能发现前代模型漏掉的漏洞。

全新漏洞利用技术

我们抽样分析 166 份智能体生成的利用代码,确认智能体自主使用了 10 种全新的 Linux 内核利用手法。我们把这些手法交给第三方内核安全专家复核,专家确认这些手法此前未见公开。

10 种新技术具体构成:2 种全新持久弹性对象技术,用于在内核缓存中喷射对象;2 种全新页面整理技术,提升漏洞利用稳定性;5 种纯数据攻击手法,直接或通过任意写实现提权;剩下 1 种是新型类型混淆利用方式。出于安全考量,本文不会公开这些技术完整细节。

👉 启示:前沿模型不是简单匹配已知漏洞模式、套用公开利用手法,它具备创新能力,可以想出全新攻击思路。

防御方可以从漏洞利用成本中获得启发

我们团队的核心目标之一,就是量化漏洞挖掘与利用成本,用数据指导防御资源投入。我们希望防御方抢先修复漏洞,让攻击者的漏洞利用得不偿失。量化利用成本,也能帮我们看清模型变强之后,攻防格局的变化。

本次实验虚拟机使用原版桌面系统,无弱化,威胁模型对齐 Pwn2Own、TyphoonPWN。历史上 Pwn2Own、TyphoonPWN 对 Linux 内核本地提权漏洞赏金分别为 2 万、7 万美元;948 个漏洞理论赏金估值 1890 万~6630 万美元,是流水线成本的 16~55 倍。

我们也在 Google KernelCTF 奖励环境测试,该环境内核加固、攻击面缩小。在 KernelCTF 环境下,流水线产出 25 个信息泄露 POC、21 个本地提权漏洞。作为对比:截至发稿,KernelCTF 2026 全年一共只收录 26 个确认零日本地提权漏洞。整轮实验持续 112 小时,API 开销约 32936 美元,漏洞挖掘环节占 83.7% 开销;如果 21 个漏洞全部通过审核,奖金约 150 万美元,约为扫描成本的 45 倍。

👉 启示:按照公开赏金标准,在当前安全模型能力下,这套漏洞挖掘流水线在经济层面是正向收益的。防御方应当主动审计自身软件,抬高攻击者的攻击成本,直到攻击收益无法覆盖攻击投入。

误用零日漏洞的情况

在漏洞利用评估阶段,智能体拿到漏洞线索,目标是基于这个特定漏洞写出可用利用代码;流水线判定成功的标准是拿到 root shell。早期一轮实验里,利用阶段上报 200 次本地提权成功,但人工复核发现:其中 20 次,是借助另外一个完全无关的零日漏洞拿到 root 权限,而非分配给它的目标漏洞。这说明:哪怕智能体成功拿到权限,也必须做链路校验。

后续我们收紧任务约束,增加独立校验环节,确认最终利用代码的提权路径严格依托指定漏洞。

👉 启示:自主安全研究,不仅要核验 “结果是否成功”,还要核验 “达成结果的路径是否正确”;隔离、监控、独立校验是必不可少的控制手段。

能力更强的模型,配套编排框架可以更轻量化

项目早期我们曾讨论:要不要搭建复杂的编排调度框架,补足智能体的攻防能力。实验结论:更强的基础模型,配套的编排、辅助工具可以更少;复杂编排带来的边际收益,不足以覆盖维护成本,因此我们最终去掉了重型编排框架。

我们对比了 GPT‑5.5 Cyber 和 GPT‑5.6 Cyber:GPT‑5.5 Cyber 无法稳定识别、选用 Linux 内核利用手法。我们把 103 种利用手法整理成模型友好格式,放到智能体环境中供它调用。在 63 个利用候选样本上,成功率从 76.2% 提升至 88.9%。

换到 GPT‑5.6 Cyber 之后,模型本身已经可以自主检索、挑选、应用合适的利用技术。去掉这套手法库编排之后,轻量化编排的 GPT‑5.6 Cyber,效果反而优于带重型脚手架的 GPT‑5.5 Cyber。给 GPT‑5.6 Cyber 重新加上手法库,仅带来 1.5 个百分点的微弱提升。

Linux 内核漏洞利用成功率: GPT-5.5 Cyber(无技能库):76.2% GPT-5.5 Cyber(带技能库):88.9% GPT-5.6 Cyber(无技能库):92.1% GPT-5.6 Cyber(带技能库):93.6%

👉 启示:基础模型能力迭代之后,要重新评估编排与测试框架。对上一代模型很有效的脚手架,对更强的新一代模型价值很低,需要权衡维护成本。

迭代优化可以提升补丁质量

最开始直接让模型生成补丁,产出的补丁虽然能够修复 POC 对应的漏洞,但偶尔附带其他问题:代码冗余、引入性能损耗、不符合编码规范、没有排查同类变种漏洞,导致修复不完整。

增加规范引导、多轮迭代之后,补丁质量明显提升。这说明做好流程管控,AI 生成的安全补丁可以做到功能正确、代码精简、贴合原有编码规范。这是一个持续研究方向,未来模型会做得更好。部分场景下,原型系统甚至可以发现人类专家补丁里的缺陷,在补丁合入主线前完成修正。

👉 启示:模型可以加速打补丁流程,但补丁生成框架、提示词体系需要持续迭代,保证补丁同时满足功能需求和非功能约束。同时,推荐用模型对人工补丁、AI 补丁做对抗审查,识别补丁可被绕过、遗漏同类攻击路径等问题。

测试基础设施本身也存在漏洞

在 KernelCTF 那轮实验中,除 21 个 Linux 内核零日漏洞之外,原型还发现并利用了一处 QEMU TCG 漏洞。当时分析智能体被分配分析系统调用入口代码,编写程序测试权限切换逻辑时,意外触发内核崩溃;智能体自主排查崩溃根因,定位到 QEMU TCG 组件(全程没有 QEMU 源码访问权限),并把漏洞纳入报告。后续漏洞开发智能体成功写出该漏洞的本地提权利用代码。我们人工复盘漏洞时才发现这个问题:该漏洞在 QEMU 上游主线已经修复,但实验所用发行版打包版本没有更新。

👉 启示:前沿安全模型,甚至能挖到测试环境基础设施本身的漏洞。开展攻击性漏洞研究前,必须先审计整套测试基础设施。OpenAI 一直持续做这类工作,已经在 Kata、Moby/Docker、gVisor 等项目中上报并修复大量漏洞。

结语

我们希望把模型能力转化为互联网安全守护者的长期优势。本研究证明:前沿模型的安全能力,可以高效挖掘 Linux 内核这类超复杂软件的漏洞。加固 Linux 等核心开源项目,能够保护下游海量系统与终端用户。

依托 Patch the Planet 和 Daybreak 项目,我们计划把这项研究拓展到更多关键软件,和内核维护者、安全合作伙伴一起打造稳定的自动化补丁体系。我们持续压缩攻击者的可用攻击面,抬高漏洞挖掘与利用成本,直到攻击收益无法覆盖攻击成本。

每一代新模型,都应当帮助我们构建更难被下一代模型攻破的软件。我们会持续朝着构建安全、开放,所有人都可以安心开发的互联网而努力。

说明

  1. 文中 LPE = Local Privilege Escalation,本地权限提升 / 本地提权;
  2. POC = Proof of Concept,概念验证代码;
  3. 文中所有美元金额、实验数据、百分比全部保留原文口径;
  4. 专有名词(SMEP/SMAP/KASLR/KASAN/QEMU TCG 等)为内核安全领域标准术语,直接保留缩写;
  5. Patch the Planet、Daybreak 为 OpenAI 官方安全项目名称,保留原名


【声明】内容源于网络
0
0
苏哲管理咨询
为企业及组织提供AI+战略、数智化转型咨询及观点、建议等
内容 2559
粉丝 0
苏哲管理咨询 为企业及组织提供AI+战略、数智化转型咨询及观点、建议等
总阅读98.1k
粉丝0
内容2.6k