Искусственный интеллект Claude помог исследователю Николасу Карлини обнаружить уязвимость в ядре Linux, скрытую с 2003 года. Это открытие вызывает вопросы о безопасности, так как уязвимость позволяла удалённо атаковать системы.
Контекст découvert
Обнаруженная уязвимость представляет собой переполнение буфера в драйвере NFS. Благодаря простому скрипту на bash, который анализировал все исходные файлы ядра, Карлини смог найти несколько угроз: всего он выявил пять уязвимостей, но это только начало исследования. Сам скрипт использовал Claude для поиска слабых мест, минимально задействуя его возможности.
Модель Claude Opus 4.6 значительно превосходит свои предшественники — Opus 4.1 и Sonnet 4.5, которые смогли обнаружить лишь небольшую часть уязвимостей. Это говорит о растущей роли AI в области кибербезопасности. Одним из последствий этого открытия стал резкий рост сообщений о уязвимостях: с 2-3 до 5-10 в день, как отметил один из авторитетных разработчиков ядра, Грег Кроах-Хартман.
Детали уязвимости и её последствия
Уязвимость NFS заключается в том, что сервер обрабатывает слишком большой объём данных, позволяя злоумышленнику переписать память ядра. На первый взгляд, уязвимость выглядит как незначительная, но реальные последствия могли бы быть катастрофическими для систем, использующих этот драйвер.
Карлини пока не отправил все результаты своих находок в систему поддержки ядра, поскольку у него есть "несколько сотен" ещё не проверенных уязвимостей. Это поднимает вопрос о том, как именно тестировать и подтверждать результаты AI-исследований.
Практическое значение для разработчиков
Для российской аудитории это открытие подчеркивает важность внедрения AI-технологий в процессы разработки и тестирования ПО. Использование подобных инструментов не только ускоряет процессы поиска уязвимостей, но и значительно повышает уровень безопасности программного обеспечения. Разработчикам стоит обратить внимание на использование AI-технологий для повышения эффективности тестирования своих систем.
Следующий шаг — внедрение полученных данных в практику, а также поиск способов минимизации ложных срабатываний при использовании AI в выявлении уязвимостей.