💻 computer science

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

本文提出了 VCAO（以验证器为中心的代理编排）框架，通过将操作系统漏洞发现建模为重复贝叶斯斯塔克尔伯格搜索博弈，利用大推理模型协调多种验证工具动态分配分析预算，从而在 Linux 内核漏洞挖掘中显著提升了漏洞发现效率并降低了误报率。

原作者： Suyash Mishra

发布于 2026-04-10

📖 1 分钟阅读☕ 轻松阅读

原作者： Suyash Mishra

原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

这篇论文介绍了一个名为 VCAO 的新系统，它的核心目标是：用更聪明、更省钱的方式，在操作系统（比如 Linux）里找出那些还没被发现的安全漏洞。

为了让你轻松理解，我们可以把操作系统想象成一座巨大的、错综复杂的城堡，而黑客就是试图潜入这座城堡的盗贼。

1. 以前的做法：盲目撒网

过去，安全专家找漏洞主要靠两种方法：

人海战术（静态分析）： 派一群检查员拿着放大镜，逐行阅读城堡的图纸。这很仔细，但太慢了，而且容易看走眼（产生很多误报）。
乱撞战术（模糊测试/Fuzzing）： 派一群机器人对着城堡的门窗疯狂乱撞，看能不能撞开。这能发现一些门没关好的情况，但效率很低，大部分时间都在撞那些本来就很结实的墙。

问题在于： 城堡太大了，资源（时间、算力、人力）是有限的。以前的系统不知道该先撞哪扇门，或者该先查哪张图纸，导致很多钱花在了没用的地方。

2. VCAO 的核心思想：像下棋一样思考

VCAO 引入了一个超级大脑（AI 大模型），它不再盲目工作，而是把找漏洞变成了一场**“猫鼠游戏”**。

猫（防御者/我们）： 拥有有限的预算（比如 100 个金币）。
鼠（攻击者/黑客）： 想要找到最薄弱的环节，用最小的代价攻破城堡。

VCAO 的聪明之处在于： 它假设黑客是聪明的，会专门攻击我们防守最弱的地方。所以，VCAO 的任务不是“平均用力”，而是预测黑客会怎么想，然后把有限的金币（预算）精准地投放在黑客最可能突破、且我们防守最薄弱的地方。

3. VCAO 的六层“作战指挥部”

这个系统像一个精密的六层工厂，层层递进：

第一层：画地图（表面映射）
- 比喻： 就像先给城堡画一张详细的地图，标出所有的门（系统调用）、窗户（接口）和秘密通道。
- 作用： 搞清楚城堡里有哪些地方是黑客能接触到的。
第二层：推演路径（攻击图构建）
- 比喻： 在地图上画出黑客可能的进攻路线。比如：“黑客从后门进来 -> 穿过走廊 -> 爬上二楼 -> 打开保险柜”。
- 作用： 把零散的门和路连成一条完整的“作案链条”。
第三层：排兵布阵（博弈论核心）
- 比喻： 这是最核心的大脑。它像一个精明的将军，看着地图和预算，计算：“如果我把 30% 的兵力放在后门，20% 放在窗户，黑客会怎么反应？哪种分配能让黑客的得分最低？”
- 作用： 用数学公式（博弈论）算出最优的防守策略，决定把资源投在哪里最划算。
第四层：特种部队（并行执行）
- 比喻： 根据将军的指令，派出不同的特种小队去执行任务。
  - 有的小队专门查图纸（代码分析）；
  - 有的小队专门撞门（模糊测试）；
  - 有的小队专门查内存有没有漏水（内存安全检测）。
- 作用： 多管齐下，同时干活。
第五层：层层过滤（级联验证）
- 比喻： 就像城堡的安检门。
  - 第一道门：确认是真的警报还是误报？（能不能复现？）
  - 第二道门：这个漏洞有多严重？（能偷多少钱？）
  - 第三道门：是不是以前发现过的老漏洞？（去重）
- 作用： 把那些“虚惊一场”的假警报过滤掉，只把真正的坏蛋交给人类专家。
第六层：安全总管（安全监管）
- 比喻： 一个严格的狱卒。
- 作用： 确保所有的测试都在一个完全隔离的虚拟房间里进行，防止测试过程中不小心把真实的城堡搞坏了，或者被坏人利用。

4. 它是怎么学习的？（贝叶斯更新）

VCAO 不是一次性算完就结束，它是边做边学的。

如果某个工具发现了一个疑似漏洞，VCAO 就会更新它的“地图”，认为那个地方确实有问题，下次就把更多资源投过去。
如果某个地方撞了半天都没反应，VCAO 就会觉得“这里可能很安全”，下次就少花点钱。
比喻： 就像玩“猜谜游戏”，每猜一次，你就更清楚谜底在哪里，从而调整下一次的猜测策略。

5. 效果怎么样？

论文通过实验证明，VCAO 比以前的方法强很多：

效率更高： 在同样的预算下，它找到的真实漏洞数量是普通“乱撞法”的 2.7 倍，是“只看图纸法”的 1.9 倍。
更准： 它把误报率（假警报）降低了 68%。这意味着人类专家不需要再花大量时间去处理那些“狼来了”的假警报，可以直接去修真正的漏洞。
更省钱： 它能更快地发现漏洞，减少了系统被攻击的风险窗口期。

总结

VCAO 就像是一个拥有“读心术”的城堡管家。
以前的管家是“平均分配”保安去巡逻，或者随机巡逻。而 VCAO 管家会思考：“小偷最可能从哪进？我只要把保安精准地放在那个位置，就能用最少的人手，挡住最聪明的贼。”

它把人工智能的推理能力、数学博弈论的智慧和自动化工具的执行力完美结合，让操作系统的安全防御变得更加聪明、高效和精准。

VCAO：面向战略操作系统漏洞发现的验证者中心智能体编排技术总结

1. 研究背景与问题定义

操作系统（特别是 Linux 内核）的漏洞发现正经历范式转变。虽然大型推理模型（LRM）和先进工具（如 CodeQL、Syzkaller）已展现出强大的单点能力，但现有的工作流主要依赖启发式规则来协调这些工具，缺乏决策理论层面的协调机制。核心问题在于：在有限的分析预算下，如何决定“在哪里看”、“怎么看”以及“何时验证”，以最大化漏洞发现效率并最小化战略攻击者的收益。

本文提出将操作系统漏洞发现形式化为一个重复的贝叶斯斯塔克尔伯格（Bayesian Stackelberg）搜索博弈：

防御者（LRM 编排器）：承诺一种混合分析策略，将预算分配给内核文件、函数和攻击路径。
攻击者（战略对手）：根据防御者的策略，选择能造成最大损害的攻击路径（最佳响应）。
目标：防御者通过观察外部验证器（静态分析器、模糊测试、消毒器等）的输出，更新对潜在漏洞状态的贝叶斯信念，并重新求解博弈，以最小化攻击者的期望收益。

2. 核心方法论：VCAO 架构

作者提出了VCAO（Verifier-Centered Agentic Orchestration，验证者中心智能体编排），这是一个包含六层的架构系统：

2.1 六层架构设计

L1 表面映射代理 (Surface Mapper)：利用 LRM 提取安全相关的入口点（系统调用、ioctl 分发表、文件系统解析器等），并构建可达的内部函数调用图。
L2 内核内攻击图构建 (Intra-Kernel Attack Graph Builder)：构建有向无环图 $G=(V, E, C, \phi, \psi)$ 。节点包括入口点、内部函数、权限边界和攻击目标；边表示控制流、数据流或权限转换。利用历史缺陷密度和 CVSS 分数初始化漏洞概率。
L3 博弈论排序器 (Game-Theoretic Ranker)：核心计算层。基于当前信念 $b_t$ 和攻击图，求解DOBSS-VD 混合整数线性规划（MILP），生成最优的覆盖率向量 $c^*$ ，决定分配给哪些文件/函数、使用何种方法（CodeQL、Fuzz 等）以及预算多少。
L4 并行执行智能体 (Parallel Executor Agents)：包含五个专用代理并行执行分析：
- Patch-Diff Miner（补丁差异挖掘）
- CodeQL 代理（数据流分析）
- Fuzzing 代理（Syzkaller 模糊测试）
- KASAN 代理（内存安全检测）
- KCSAN 代理（并发竞争检测）
L5 级联验证器 (Cascaded Verifier)：采用“瑞士奶酪模型”进行三层验证：V1（可复现性确认）、V2（严重性评估与 CVSS 评分）、V3（去重与人工分流）。显著降低误报率。
L6 安全主管 (Safety Governor)：确保所有实验在隔离容器中进行，强制执行离线实验、审计日志、披露前的人工审查以及滥用检测。

2.2 算法与优化

博弈求解：采用 DOBSS（Double Oracle for Bayesian Stackelberg Security）算法的变体，将双层优化问题转化为 MILP 问题，在预算约束下计算防御者的最优混合策略。
贝叶斯信念更新：根据工具输出（警报、清洁、崩溃、超时）动态更新漏洞存在的后验概率。
在线学习保证：理论证明了在 $T$ 轮博弈中，期望遗憾（Regret）具有 $\tilde{O}(\sqrt{T})$ 的次线性界限，确保随着时间推移策略趋近最优。
兄弟模式搜索：发现漏洞后，自动在结构相似的代码中搜索“兄弟”漏洞，进一步挖掘潜在风险。

3. 主要贡献

形式化框架：首次将操作系统漏洞发现形式化为带有内核内攻击图的重复贝叶斯斯塔克尔伯格博弈。
VCAO 系统：构建了一个六层智能体系统，将博弈论优化、异构工具集成和级联验证有机结合。
理论保证：提出了基于 DOBSS 的预算分配 MILP 公式，并提供了正式的在线学习遗憾界限。
全面评估：在五个 Linux 内核子系统中进行了大规模实验，验证了该方法在漏洞发现率、误报减少和攻击者收益最小化方面的显著优势。

4. 实验结果

实验在五个 Linux 内核子系统（文件系统、网络、命名空间/能力、驱动程序、io_uring/BPF）上进行，包含 847 个历史 CVE 的重放测试和上游快照的实时发现。

漏洞发现效率：
- 相比仅覆盖的模糊测试（Coverage-only Fuzzing），VCAO 的单位预算验证漏洞发现量（SVUB）提高了 2.7 倍。
- 相比仅静态分析（Static-analysis-only），提高了 1.9 倍。
- 相比非博弈论的多智能体流水线，提高了 1.4 倍。
误报率控制：VCAO 将到达人工审查环节的误报率降低了 68%（从基线的 31.4%-47.3% 降至 15.1%）。
消融实验：
- 移除贝叶斯更新导致 SVUB 下降 31.0%。
- 移除斯塔克尔伯格优化（改用 UCB）导致 SVUB 下降 21.2%。
- 移除攻击图结构导致 SVUB 下降 24.8%。
子系统集成度：VCAO 在网络（复杂攻击面）和命名空间/能力代码（授权逻辑）子系统中表现尤为突出，这些区域传统模糊测试效果较差。

5. 意义与影响

范式转变：将漏洞发现从“工具能力驱动”转变为“编排智能驱动”，解决了多工具协同中的决策瓶颈。
防御性视角：通过模拟战略攻击者的最佳响应，主动优化防御资源分配，而非被动扫描。
安全性与双用途：研究遵循严格的安全协议（隔离环境、人工审查、协调披露），展示了在利用 AI 发现漏洞的同时如何防止滥用。
开源贡献：作者发布了仿真框架、合成攻击图生成器和评估工具，促进了可复现研究。

综上所述，VCAO 通过引入博弈论和贝叶斯推理，为操作系统内核漏洞发现提供了一个理论严谨且实践高效的解决方案，显著提升了漏洞挖掘的智能化水平和资源利用率。