💻 computer science

VCAO: Verifier-Centered Agentic Orchestration for Strategic OS Vulnerability Discovery

यह शोध पत्र VCAO पेश करता है, जो एक सत्यापनकर्ता-केंद्रित एजेंटिक ऑर्केस्ट्रेशन फ्रेमवर्क है जो OS भेद्यता खोज (vulnerability discovery) को विषम उपकरणों (heterogeneous tools) के बीच विश्लेषण बजट को गतिशील रूप से आवंटित करने के लिए एक दोहराए जाने वाले बेयसियन स्टैकेलबर्ग सर्च गेम के रूप में मॉडल करता है, जिससे मौजूदा बेसलाइन की तुलना में काफी उच्च भेद्यता खोज दर और कम फाल्स पॉजिटिव प्राप्त होते हैं।

मूल लेखक: Suyash Mishra

प्रकाशित 2026-04-10

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Suyash Mishra

मूल पेपर CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। ✨ नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें

कल्पना कीजिए कि आप एक विशाल, प्राचीन किले (एक ऑपरेटिंग सिस्टम) के सुरक्षा प्रमुख हैं। इस किले में हजारों कमरे, गुप्त रास्ते और छिपे हुए जाल हैं। आप जानते हैं कि चोर (हैकर) अंदर घुसने की कोशिश कर रहे हैं, लेकिन आपको यह नहीं पता कि वे वास्तव में कहाँ हैं या वे पहले कौन सा दरवाजा आज़माएंगे।

आपके पास सुरक्षा गार्डों को काम पर रखने, कैमरे लगाने और परीक्षण चलाने के लिए सीमित धन और समय (बजट) है। समस्या यह है: आप हर दिन हर कमरे की जाँच नहीं कर सकते। यदि आप गलत कमरे की जाँच करते हैं, तो आप पैसा बर्बाद करते हैं। यदि आप सही कमरे को चूक जाते हैं, तो किले में चोरी हो सकती है।

यह शोध पत्र VCAO (वेरिफायर-सेंटर्ड एजेंटिक ऑर्केस्ट्रेशन) नामक एक नई प्रणाली पेश करता है जो इस समस्या को हल करती है। यह कैसे काम करता है, इसे सरल भाषा में यहाँ समझाया गया है:

1. पुराना तरीका: अनुमान लगाना और जाँच करना

पहले, सुरक्षा टीमें दो मुख्य रणनीतियों का उपयोग करती थीं:

"फज़िंग" (Fuzzing) टीम: वे हर दीवार पर रैंडम पत्थर फेंकते थे यह देखने के लिए कि क्या कोई टूटती है। (यह एक फज़र की तरह है)। यह कमजोर स्थानों को खोजने में अच्छा है, लेकिन यह मजबूत दीवारों पर बहुत अधिक समय बर्बाद करता है।
"स्टैटिक एनालिसिस" (Static Analysis) टीम: वे किले के ब्लूप्रिंट (नक्शों) को पढ़ते थे ताकि तार्किक त्रुटियों (logical errors) का पता लगाया जा सके। (यह CodeQL की तरह है)। यह बुद्धिमान है, लेकिन यह अक्सर उन चीजों के बारे में झूठी चेतावनी देता है जो वास्तव में टूटी नहीं हैं।

दोनों टीमें अलग-अलग काम करती थीं, या वे बजट को समान रूप से विभाजित कर देती थीं। यह अक्षम था।

2. नया तरीका: "मास्टर स्ट्रैटेजिस्ट" (VCAO)

VCAO एक मास्टर स्ट्रैटेजिस्ट (एक उन्नत AI) पेश करता है जो एक महान शतरंज खिलाड़ी की तरह कार्य करता है। केवल चीजों की जाँच करने के बजाय, यह AI एक "आभासी चोर" के विरुद्ध एक खेल खेलता है।

यहाँ वह 6-चरणीय प्रक्रिया है जिसका VCAO उपयोग करता है:

चरण 1: मानचित्र बनाना (सरफेस मैपर - Surface Mapper)

AI सबसे पहले किले का एक विस्तृत मानचित्र बनाता है। यह पहचानता है कि हर दरवाजा, खिड़की और गुप्त सुरंग (syscalls, parsers आदि) कहाँ है। इसे पता है कि एक चोर कहाँ से प्रवेश कर सकता है।

चरण 2: "चोर का मार्ग" बनाना (अटैक ग्राफ - Attack Graph)

AI एक "चोर का मानचित्र" बनाता है। यह केवल एक कमरे को नहीं देखता; यह बिंदुओं को जोड़ता है।

उपमा: यदि एक चोर मुख्य दरवाजे का ताला तोड़ देता है, तो क्या वह फिर मास्टर बेडरूम तक जाने के लिए सीढ़ियाँ चढ़ सकता है? AI इन चरणों को जोड़ने वाली रेखाएं खींचता है ताकि चोर द्वारा पूरे पथ का पता लगाया जा सके जिससे वह राजमुकुट चुरा सकता है।

चरण 3: महान खेल (द ब्रेन - The Brain)

यही असली जादू है। AI एक खेल खेलता है जिसे स्टैकेलबर्ग गेम (Stackelberg Game) कहा जाता है।

सेटअप: AI (रक्षक) कहता है, "मैं अपना पैसा इन विशिष्ट कमरों की जाँच करने में खर्च करूँगा।"
प्रतिक्रिया: AI एक "स्मार्ट चोर" का अनुकरण (simulate) करता है जो देखता है कि AI कहाँ देख रहा है और अनदेखे दरवाजे से घुसने की कोशिश करता है।
रणनीति: AI महसूस करता है, "यदि मैं मुख्य दरवाजे की जाँच करता हूँ, तो चोर पीछे की खिड़की से जाएगा। यदि मैं पीछे की खिड़की की जाँच करता हूँ, तो वे चिमनी से जाएंगे।"
समाधान: AI जाँचों का एक आदर्श मिश्रण निकालता है ताकि चोर की सफलता की संभावना को न्यूनतम किया जा सके, भले ही चोर चतुर हो। यह तय करने के लिए गणित का उपयोग करता है: "रसोई पर 10 मिनट, पुस्तकालय पर 20 मिनट और अटारी पर 5 मिनट खर्च करें।"

चरण 4: विशेष टीमें (पैरेलल एक्जीक्यूटर्स - Parallel Executors)

एक बार जब AI तय कर लेता है कि कहाँ देखना है, तो वह एक साथ काम करने के लिए विभिन्न विशेष एजेंटों की टीमों को भेजता है:

"डिफ माइनर" (Diff Miner): पुराने मरम्मत लॉग्स को देखता है कि क्या कोई सुधार आधा-अधूरा किया गया था।
"कोड रीडर" (Code Reader): तार्किक त्रुटियों के लिए ब्लूप्रिंट पढ़ता है।
"रॉक थ्रोअर" (Rock Thrower): रैंडम इनपुट के साथ सिस्टम को क्रैश करने की कोशिश करता है।
"मेमोरी वॉचर" (Memory Watcher): दीवारों में लीकेज (leaks) की जाँच करता है।
"रेस डिटेक्टर" (Race Detector): जाँच करता है कि क्या दो कर्मचारी एक ही समय में एक ही उपकरण का उपयोग करने की कोशिश कर रहे हैं।

चरण 5: "दोहरी जाँच" (कैस्केडेड वेरिफायर - Cascaded Verifier)

जब कोई टीम कुछ संदिग्ध पाती है, तो वह तुरंत "घुसपैठिया!" चिल्लाती नहीं है।
इसके बजाय, खोज को तीन-स्तरीय फिल्टर से गुजरना पड़ता है:

क्या हम इसे दोबारा कर सकते हैं? (Reproducibility)
यह कितना बुरा होगा? (Severity)
क्या हमने इसे पहले देखा है? (Deduplication)
यह सुरक्षा टीम को झूठी चेतावनियों पर घबराने से रोकता है।

चरण 6: सुरक्षा गार्ड (सेफ्टी गवर्नर - Safety Governor)

क्योंकि यह AI वास्तविक कमजोरियों को खोजने के लिए पर्याप्त शक्तिशाली है, इसलिए इसमें एक सख्त "सेफ्टी गार्ड" बना हुआ है। यह एक लॉक सैंडबॉक्स (डिजिटल जेल) में चलता है ताकि यह गलती से वास्तविक किले को नुकसान न पहुँचा सके। साथ ही, किसी भी जानकारी को सार्वजनिक करने से पहले इसे एक मानव की मंजूरी की आवश्यकता होती है।

यह बेहतर क्यों है?

पेपर ने वास्तविक लिनक्स कंप्यूटर सिस्टम (किले) पर VCAO का परीक्षण किया।

परिणाम: इसने केवल दीवारों पर पत्थर फेंकने (फज़िंग) की तुलना में 2.7 गुना अधिक वास्तविक कमजोरियाँ खोजीं।
परिणाम: इसने केवल ब्लूप्रिंट पढ़ने (स्टैटिक एनालिसिस) की तुलना में 1.9 गुना अधिक खोजा।
परिणाम: इसने झूठी चेतावनियों को 68% कम कर दिया। इसका मतलब है कि मानव सुरक्षा गार्डों को भूतों का पीछा करने के बजाय वास्तविक चोरों को पकड़ने में कम समय बिताना पड़ता है।

बड़ी तस्वीर

VCAO को केवल "बग खोजने" वाले टूल के रूप में नहीं, बल्कि एक स्मार्ट रिसोर्स मैनेजर के रूप में देखें। यह समझता है कि सुरक्षा रणनीति का एक खेल है। एक स्मार्ट हमलावर के रूप में कैसे व्यवहार करेगा, इसका अनुमान लगाकर, यह अपने सीमित समय और धन को ठीक उन्हीं स्थानों पर आवंटित करता है जहाँ वे सबसे अधिक प्रभावी होंगे, जिससे हमलावर के पास छिपने के लिए कोई जगह नहीं बचती।

यहाँ शोध पत्र "VCAO: Verifier-Centered Agentic Orchestration for Strategic OS Vulnerability Discovery" का विस्तृत तकनीकी सारांश दिया गया है।

1. समस्या विवरण (Problem Statement)

ऑपरेटिंग सिस्टम (OS) की कमजोरियों (vulnerabilities), विशेष रूप से लिनक्स कर्नेल (Linux kernel) की खोज में एक महत्वपूर्ण बाधा है। हालांकि शक्तिशाली व्यक्तिगत उपकरण मौजूद हैं (जैसे, स्टैटिक विश्लेषण के लिए CodeQL, फज़िंग के लिए Syzkaller, मेमोरी सेफ्टी के लिए KASAN), वर्तमान वर्कफ़्लो उन्हें समन्वित करने के लिए एड-हॉक ह्यूरिस्टिक्स (ad-hoc heuristics) पर निर्भर करते हैं। इससे संसाधनों का आवंटन अक्षम हो जाता है, गलत सकारात्मक (false-positive) दर अधिक होती है, और कमजोरियां छूट जाती हैं।

लेखकों का तर्क है कि प्राथमिक चुनौती अब टूल की क्षमता नहीं बल्कि निर्णय-सैद्धांतिक समन्वय (decision-theoretic coordination) है: यह निर्धारित करना कि कहाँ देखना है, कैसे देखना है, और कब सत्यापन करना है ताकि रणनीतिक हमलावर के लाभ को न्यूनतम किया जा सके। मौजूदा प्रणालियाँ इस प्रश्न का उत्तर देने में विफल रहती हैं: "कौन सा विश्लेषण कार्य रणनीतिक हमलावर के अपेक्षित प्रतिफल (expected payoff) को सबसे अधिक कम करता है?"

2. कार्यप्रणाली: VCAO ढांचा (Methodology: The VCAO Framework)

यह शोध पत्र VCAO (Verifier-Centered Agentic Orchestration) का प्रस्ताव करता है, जो भेद्यता खोज (vulnerability discovery) को एक पुनरावृत्ति बेयसियन स्टैकेलबर्ग खोज खेल (repeated Bayesian Stackelberg search game) के रूप में तैयार करता है।

A. गेम-थ्योरेटिक फॉर्मूलेशन (Game-Theoretic Formulation)

खेल (The Game): एक बेयसियन स्टैकेलबर्ग भेद्यता खोज (BSVD) खेल जहाँ डिफेंडर (Defender) (एक LLM ऑर्केस्ट्रेटर) कर्नेल घटकों के बीच विश्लेषण बजट आवंटित करने के लिए एक मिश्रित रणनीति (mixed strategy) निर्धारित करता है, और एक रणनीतिक हमलावर (Strategic Attacker) (टाइप द्वारा मॉडल किया गया) नुकसान को अधिकतम करने के लिए हमले के पथ चुनने के माध्यम से सर्वोत्तम प्रतिक्रिया देता है।
इंट्रा-कर्नेल अटैक ग्राफ (L2): प्रणाली कर्नेल का प्रतिनिधित्व करने वाला एक निर्देशित अचक्रीय ग्राफ (directed acyclic graph) $G=(V, E, C, \phi, \psi)$ $G = (V, E, C, ϕ, ψ)$ बनाती है।
- नोड्स ( $V$ ): एंट्री पॉइंट्स (syscalls, ioctls), आंतरिक फंक्शन, विशेषाधिकार सीमाएं (privilege boundaries), और हमलावर के लक्ष्य (जैसे, रूट एक्सेस)।
- एजेस ( $E$ ): कंट्रोल-फ्लो, डेटा-फ्लो, और प्रिविलेज ट्रांजिशन।
- संभावनाएं (Probabilities): वर्टिस (vertices) में CVSS स्कोर और डिफेक्ट डेंसिटी से प्राप्त पूर्व भेद्यता संभावनाएँ ( $\phi$ ) होती हैं, और एजेस में एक्सप्लोइटेबिलिटी (exploitability) की संभावनाएँ ( $\psi$ ) होती हैं।
उद्देश्य: डिफेंडर का लक्ष्य एक इष्टतम कवरेज वेक्टर $c^*$ प्राप्त करना है जो हमलावर की सर्वोत्तम प्रतिक्रिया के विरुद्ध अपेक्षित उपयोगिता (expected utility) को अधिकतम करता है, जिससे सफल एक्सप्लॉइट पाथ की संभावना न्यूनतम हो जाती है।

B. छह-स्तरीय आर्किटेक्चर (The Six-Layer Architecture)

VCAO इस सिद्धांत को छह-स्तरीय एजेंटिक सिस्टम के माध्यम से संचालित करता है:

सरफेस मैपर (L1): एक LLM एजेंट सुरक्षा-प्रासंगिक एंट्री पॉइंट्स (syscalls, parsers) निकालता है और सुलभ (reachable) आंतरिक कार्यों को मैप करता है।
अटैक ग्राफ बिल्डर (L2): इंट्रा-कर्नेल अटैक ग्राफ का निर्माण करता है, जो प्रिविलेज बाउंड्रीज और हमलावर के लक्ष्यों को परिभाषित करता है।
गेम-थ्योरेटिक रेंकर (L3): मुख्य सॉल्वर। यह एक DOBSS-व्युत्पन्न मिश्रित-पूर्णांक रैखिक प्रोग्रामिंग (MILP) फॉर्मूलेशन का उपयोग करके संसाधन बाधाओं के तहत फाइलों, फंक्शनों और विश्लेषण विधियों (CodeQL, Fuzzing, KASAN, आदि) के बीच इष्टतम बजट आवंटन ( $c^*$ ) की गणना करता है।
पैरेलल एक्सेक्यूटर एजेंट्स (L4): विशिष्ट एजेंट आवंटित कार्यों को समानांतर में निष्पादित करते हैं:
- पैच-डिफ माइनर (Patch-Diff Miner): अपूर्ण फिक्स प्रोपेगेशन को खोजता है।
- CodeQL एजेंट: डेटा-फ्लो क्वेरी चलाता है।
- फज़िंग एजेंट: कस्टम विवरणों के साथ Syzkaller को निर्देशित करता है।
- KASAN/KCSAN एजेंट: मेमोरी और कंकरेंसी सैनिटाइज़र चलाते हैं।
कैस्केडेड वेरिफायर (L5): मानव समीक्षा से पहले गलत सकारात्मक (false positives) को काफी कम करने के लिए एक तीन-चरणीय सत्यापन पाइपलाइन (Reproducibility $\to$ Severity Assessment $\to$ Deduplication)।
**सेफ्टी गवर्नर (L6):ness आइसोलेशन, लॉगिंग और अनिवार्य मानव समीक्षा को लागू करता है ताकि दुरुपयोग को रोका जा सके और जिम्मेदार प्रकटीकरण सुनिश्चित किया जा सके।

C. लर्निंग और अडैप्टेशन (Learning and Adaptation)

बेयसियन बिलीफ अपडेट (Bayesian Belief Update): प्रत्येक विश्लेषण दौर के बाद, ऑर्केस्ट्रेटर टूल आउटपुट (अलर्ट, क्रैश, क्लीन रिजल्ट्स) के आधार पर विशिष्ट कोड क्षेत्रों के बारे में अपने विश्वासों को बेयसियन अनुमान (Bayesian inference) का उपयोग करके अपडेट करता है।
ऑनलाइन रिग्रेट (Online Regret): सिस्टम अज्ञात हमलावर व्यवहारों के अनुकूल होने के लिए ऑनलाइन लर्निंग एक्सटेंशन (EXP3 और थॉम्पसन सैंपलिंग से प्रेरित) का उपयोग करता है, जो $\tilde{O}(\sqrt{T})$ का सबलीनियर रिग्रेट बाउंड गारंटी देता है।

3. प्रमुख योगदान (Key Contributions)

औपचारिक गेम-थ्योरेटिक मॉडल: इंट्रा-कर्नेल अटैक ग्राफ के साथ बार-बार होने वाले बेयसियन स्टैकेलबर्ग गेम के रूप में OS भेद्यता खोज का पहला फॉर्मूलेशन।
VCAO आर्किटेक्चर: एक नवीन छह-स्तरीय एजेंटिक सिस्टम जो लार्ज रीजनिंग मॉडल्स (LRMs) को हेट्रोजेनियस सुरक्षा उपकरणों और गेम-थ्योरेटिक ऑप्टिमाइज़ेशन के साथ एकीकृत करता है।
ऑप्टिमाइज़ेशन एल्गोरिदम: अनिश्चितता के तहत इष्टतम बजट आवंटन के लिए एक DOBSS-अनुकूलित MILP, जो एक औपचारिक रिग्रेट बाउंड प्रमाण के साथ जुड़ा हुआ है।
व्यापक मूल्यांकन: पांच लिनक्स कर्नेल सबसिस्टम पर कठोर परीक्षण, जो स्टेट-ऑफ-द-आर्ट बेसलाइन्स की तुलना में महत्वपूर्ण सुधार प्रदर्शित करता है।

4. प्रयोगात्मक परिणाम (Experimental Results)

सिस्टम का मूल्यांकन दो मोड में पांच लिनक्स कर्नेल सबसिस्टम (Filesystem, Networking, Namespaces/Capabilities, Drivers, io_uring/BPF) पर किया गया था:

रीप्ले मोड (Replay Mode): पिछले कर्नेल स्नैपशॉट्स पर 847 ऐतिहासिक CVEs (2019–2025) को फिर से चलाना।
लाइव मोड (Live Mode): अपस्ट्रीम स्नैपशॉट्स (6.12–6.14) पर खोज।

मुख्य प्रदर्शन मेट्रिक्स:

भेद्यता प्राप्ति (Vulnerability Yield): VCAO ने कवरेज-ओनली फज़िंग की तुलना में प्रति यूनिट बजट 2.7 गुणा अधिक और स्टैटिक-एनालिसिस-ओनली बेसलाइन्स की तुलना में 1.9 गुणा अधिक प्रमाणित कमजोरियां खोजीं।
दक्षता (Efficiency): इसने गैर-गेम-थ्योरेटिक मल्टी-एजेंट पाइपलाइनों की तुलना में 1.4 गुणा बेहतर प्रदर्शन किया।
गलत सकारात्मक (False Positives): कैस्केडेड वेरिफिकेशन ने मानव समीक्षकों तक पहुँचने वाली गलत सकारात्मक दर को 68% कम कर दिया (बेसलाइन्स में ~31–47% से गिरकर 15.1% हो गई)।
खोज का समय (Time to Discovery): VCAO ने पहली प्रमाणित भेद्यता तक के समय को काफी कम कर दिया (यूनिफॉर्म एलोकेशन के लिए 14.2 घंटे के मुकाबले 3.2 घंटे)।
एब्लेशन स्टडी (Ablation Study): पुष्टि की कि बेयसियन बिलीफ अपडेट (-31% प्रभाव यदि हटाया जाए), स्टैकेलबर्ग ऑप्टिमाइज़ेशन (-21.2%), और अटैक ग्राफ स्ट्रक्चर (-24.8%) सबसे महत्वपूर्ण घटक हैं।

5. महत्व और प्रभाव (Significance and Impact)

प्रतिमान परिवर्तन (Paradigm Shift): भेद्यता खोज को "टूल-केंद्रित" (टूल्स को तब तक चलाना जब तक वे समाप्त न हो जाएं) से "रणनीति-केंद्रित" (गेम थ्योरी और संभाव्यता तर्क के आधार पर टूल उपयोग को अनुकूलित करना) में बदल देता है।
संसाधन दक्षता (Resource Efficiency): यह प्रदर्शित करता है कि सीमित कंप्यूट बजट का रणनीतिक आवंटन ब्रूट-फोर्स या ह्यूरिस्टिक दृष्टिकोण की तुलना में काफी अधिक रिटर्न देता है।
सुरक्षा और नैतिकता (Safety and Ethics): फ्रेमवर्क को स्पष्ट रूप से एक "सेफ्टी गवर्नर" के साथ डिज़ाइन किया गया है और यह डुअल-यूज़ रिसर्च प्रोटोकॉल (ऑफलाइन निष्पादन, मानव समीक्षा, समन्वित प्रकटीकरण) का पालन करता है, जो AI-संचालित भेद्यता खोज से जुड़े जोखिमों को संबोधित करता है।
ओपन साइंस (Open Science): लेखक इस क्षेत्र में पुनरुत्पादक अनुसंधान को बढ़ावा देने के लिए सिमुलेशन फ्रेमवर्क, सिंथेटिक अटैक-ग्राफ जनरेटर और मूल्यांकन हारनेस को जारी कर रहे हैं।

निष्कर्षतः, VCAO स्वचालित सुरक्षा में एक प्रमुख प्रगति का प्रतिनिधित्व करता है, जो यह सिद्ध करता है कि लार्ज रीजनिंग मॉडल्स, गेम थ्योरी, और फॉर्मल वेरिफिकेशन को संयोजित करके महत्वपूर्ण OS कमजोरियों को खोजने में मौजूदा मैनुअल और स्वचालित वर्कफ़्लो से व्यवस्थित रूप से बेहतर प्रदर्शन किया जा सकता है।