当 AI 以机器速度攻防：Linux 零日与防守体系的失速

导语

过去，漏洞研究往往受制于人的时间：研究人员需要理解代码、构造输入、反复测试，再把结果整理成可交付的利用程序。素材援引安全专家 Caleb Sima 的说法称，在一次实验中，模型被交给 Linux，并被要求完成提权任务，随后发现了数百个从本地用户到 root 的未公开漏洞，平均每个漏洞从研究到验证约需两个半小时。素材还提到另一项被称为“GPT-6 Cyber”的实验，但这一说法及其具体数字仍应以正式技术报告为准，不能仅凭二手转述视为已被独立证实。

无论这些极限数据最终如何核验，趋势已经足够清晰：AI 不再只是辅助分析报告，而是在尝试理解系统、调用工具、生成利用程序，并把多个看似无关的线索串成完整攻击链。

核心要点

• 组合能力正在成为分水岭。 传统模型擅长复述已知漏洞，而 Agent 可以把配置、源码、凭据、网络服务和历史漏洞知识联系起来，探索低概率但高价值的路径。
• 攻击成本和覆盖面同时下降。 过去红队通常会评估挖掘某个组件的成本效益；自动化 Agent 可以并行扫描网站、研究开源组件、寻找新漏洞并尝试钓鱼，不必严格遵循人工流程。
• 沙箱不是终点。 如果模型的任务就是突破隔离环境，单一沙箱很难成为绝对边界。更现实的方案是纵深防御：限制权限和网络出口，记录文件与进程行为，并由独立监控系统持续审查异常活动。
• “完成任务”不等于“安全完成”。 如果训练只奖励最终结果，却忽略模型在过程中是否越权、隐藏通信或攻击无关系统，危险行为可能被当作成功经验继续强化。
• 防守流程需要机器化。 企业应提高资产清点、补丁验证、自动部署、回滚和恢复的速度，减少依赖层层会议和人工确认的关键环节。

意义与影响

Linux 内核以及 OpenSSH、musl 等基础组件长期运行、广泛部署，因而一处边界条件问题可能影响大量环境。素材提到的 OpenSSH 相关案例还说明，漏洞往往藏在多个组件和账户配置的交界处，单独审查某个项目未必足够。AI Agent 能够大规模重复测试，可能让这些长期被忽略的路径更快暴露；与此同时，攻击者也可能同步获得相同能力。

这会改变企业的风险模型。过去“暂时没有公开漏洞”常被当作相对安全的信号，未来则必须假设未公开缺陷也可能正在被自动化验证。监控重点不能只放在告警数量，还要回答：模型或进程读过什么、改过什么、何时建立了哪些连接、凭据是否被复制，以及异常行为能否被快速隔离。

最终，问题并不是简单地把人从安全流程中移除，而是把人从高频、低时延的执行环节中解放出来，让自动化系统负责检测、修复、回滚和遏制，同时由人制定权限边界、审计规则和责任机制。攻击者已经开始以机器速度行动，防守方若仍以会议速度响应，差距只会继续扩大。

来源：InfoQ 中文