ASSEMBLAGE-DEEPHISTORY: A Cross-Build Binary Dataset with Temporal Coverage
यह शोध पत्र ASSEMBLAGE-DEEPHISTORY को प्रस्तुत करता है, जो 248 ओपन-सोर्स प्रोजेक्ट्स के 73,610 बाइनरीज़ वाला एक व्यापक क्रॉस-बिल्ड बाइनरी डेटासेट है, जो कंपाइलर्स, ऑप्टिमाइज़ेशन लेवल्स और समय के माध्यम से संकलन संदर्भ (compilation context), सोर्स कोड और CVE लेबल्स को एकीकृत करता है, जिससे बाइनरी भेद्यता (vulnerability) का पता लगाने और समानता के नवीन विश्लेषण सक्षम होते हैं।
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 रोबोट को दस लाख अलग-अलग दरवाजों में से एक विशिष्ट प्रकार के टूटे हुए ताले को पहचानने के लिए सिखाने की कोशिश कर रहे हैं।
कंप्यूटर सुरक्षा की दुनिया में, शोधकर्ता एक समस्या से जूझ रहे हैं: उनके पास "दरवाजों" (सॉफ्टवेयर प्रोग्राम) के डेटासेट तो हैं, लेकिन वे अधूरे हैं। कुछ डेटासेट दिखाते हैं कि दरवाजे अलग-अलग कारखानों (कंपाइलर) द्वारा बनाए गए हैं लेकिन केवल एक विशिष्ट वर्ष के लिए। अन्य डेटासेट कई अलग-अलग वर्षों के दरवाजे दिखाते हैं लेकिन केवल एक ही कारखाने द्वारा बनाए गए हैं। कोई भी आपको एक ही दरवाजे का डिज़ाइन, अलग-अलग कारखानों द्वारा निर्मित, कई वर्षों तक नहीं दिखाता, जबकि यह भी बताता है कि उनमें से किनमें टूटा हुआ ताला (एक भेद्यता/vulnerability) है।
यह पेपर ASSEMBLAGE-DEEPHISTORY पेश करता है, जो एक विशाल नया डेटासेट है जो अंततः इन सभी कड़ियों को जोड़ता है। इसे एक "टाइम-ट्रैवलिंग डोर म्यूजियम" (समय यात्रा करने वाला दरवाजा संग्रहालय) के रूप में समझें।
"टाइम-ट्रैवलिंग डोर म्यूजियम"
शोधकर्ताओं ने 248 ओपन-सोर्स प्रोजेक्ट्स से सॉफ्टवेयर "दरवाजों" के 73,610 अलग-अलग संस्करण एकत्र किए।
- विविधता: उन्होंने उन्हें केवल एक तरीके से नहीं बनाया। उन्होंने एक ही सोर्स कोड को विभिन्न उपकरणों (GCC, Clang, MSVC), विभिन्न ऑपरेटिंग सिस्टमों (Windows और Linux), और विभिन्न सेटिंग्स (ऑप्टिमाइज़ेशन लेवल) के साथ बनाया।
- टाइम मशीन: उन्होंने केवल आज का एक स्नैपशॉट नहीं लिया। वे समय में पीछे गए, कई प्रोजेक्ट्स के लिए कई वर्षों तक फैले हुए संस्करणों को एकत्र किया।
- मानचित्र: इस संग्रहालय का हर एक दरवाजा अपने मूल ब्लूप्रिंट (सोर्स कोड), उसके परिवर्तन के इतिहास और "टूटे हुए तालों" (CVEs) की एक विशिष्ट सूची से जुड़ा हुआ है जो उनमें पाए गए थे।
यह क्यों महत्वपूर्ण है: "रोबोट" टेस्ट
लेखकों ने इस संग्रहालय का उपयोग तीन बड़े विचारों का परीक्षण करने के लिए किया, जो एक छात्र को एक बहुत ही कठिन परीक्षा देने वाले शिक्षक की तरह है।
1. "पैटर्न मिलान" बनाम "वास्तविक समझ" का परीक्षण
उन्होंने लार्ज लैंग्वेज मॉडल्स (AI रोबोट) से टूटे हुए तालों को खोजने के लिए कहा।
- जाल: यदि AI ने केवल यह याद कर लिया कि एक विशिष्ट कारखाने के दरवाजे में टूटा हुआ ताला कैसा दिखता है, तो वह तब विफल हो जाएगा जब दरवाजा किसी दूसरे कारखाने द्वारा बनाया गया हो।
- परिणाम: AI मॉडल समस्या के विवरण के साथ टूटे हुए तालों को खोजने में आश्चर्यजनक रूप रूप से अच्छे थे। हालाँकि, जब उन्हें बिना किसी विवरण के कच्चे "दरवाजे" (कंपाइल किया गया बाइनरी) को देखना पड़ा, तो वे संघर्ष करने लगे। यह बताता है कि हालांकि AI बेहतर हो रहा है, लेकिन कभी-कभी यह कोड की गहरी यांत्रिकी को वास्तव में समझने के बजाय सतही सुरागों पर निर्भर करता है।
2. "फिंगरप्रिंट" परीक्षण
शोधकर्ताओं ने यह देखने की कोशिश की कि क्या वे केवल उनके "फिंगरप्रिंट" (डिजिटल सिग्नेचर) को देखकर बता सकते हैं कि कौन से दरवाजे एक ही परिवार के हैं।
- उन्होंने फिंगरप्रिंट लेने के तीन अलग-अलग तरीके आजमाए: एक जो पूरे दरवाजे के आकार को देखता है, एक जो आंतरिक वायरिंग को देखता है, और एक जो सतह पर जमी धूल को देखता है।
- परिणाम: "धूल" वाला तरीका (जिसे TLSH कहा जाता है) एक ही परिवार के दरवाजों को एक साथ समूहबद्ध करने में सबसे अच्छा था। अन्य तरीके भ्रमित हो गए क्योंकि अलग-अलग कारखानों ने दरवाजों को इतना अलग बना दिया था, भले ही वे एक ही डिज़ाइन के थे।
3. "समय और परिवर्तन" परीक्षण
वे जानना चाहते थे कि: क्या चीज़ दो एक ही प्रकार के दरवाजों के संस्करणों को अलग दिखाती है? क्या यह केवल समय का बीतना है? क्या यह किए गए परिवर्तनों की संख्या है? या यह विशिष्ट फ़ाइलों का बदलना है?
- एक विशेष गणितीय मॉडल का उपयोग करते हुए, उन्होंने अंतरों को विभाजित किया। उन्होंने पाया कि कितनी फ़ाइलें बदली गईं सबसे बड़ा कारक था जिससे दरवाजे अलग दिखे। दिलचस्प बात यह है कि केवल समय का बीतना (कैलेंडर के दिन) उतना महत्वपूर्ण नहीं था जितना कि कोड पर किया गया वास्तविक काम।
निष्कर्ष
यह पेपर हमें केवल डेटा का एक बड़ा ढेर नहीं देता है; यह हमें एक संरचित लाइब्रेरी देता है जहाँ सॉफ्टवेयर का हर हिस्सा उसके इतिहास, उसके निर्माताओं और उसकी खामियों से जुड़ा हुआ है।
मुख्य सबक यह है कि सॉफ्टवेयर अव्यवस्थित होता है। एक भेद्यता (टूटा हुआ ताला) ब्लूप्रिंट में समान रहती है, लेकिन एक बार जब इसे अलग-अलग कारखानों द्वारा दरवाजे के रूप में बनाया जाता है, तो यह बहुत अलग दिखती है। सुरक्षा को वास्तव में समझने के लिए, हमें इन अंतरों को अलग-थलग रहकर नहीं, बल्कि एक साथ अध्ययन करने की आवश्यकता है। यह नया डेटासेट पहला उपकरण है जो शोधकर्ताओं को बिल्कुल यही करने की अनुमति देता है।
अपने क्षेत्र के पेपरों की भीड़ में उलझे हुए हैं?
आपके रिसर्च कीवर्ड से मेल खाने वाले सबसे नए और अलग सोच वाले पेपरों का रोज़ाना Digest पाएँ—तकनीकी सारांश के साथ, आपकी भाषा में।