应对大语言模型驱动的漏洞检测,有一种简单粗暴却行之有效的策略——加快删除老旧代码。代码一旦消失,其中存在的漏洞也就无从追究。
近来,机器人自动化漏洞检测成为业界热议话题。有报告指出,自动化工具发现软件缺陷和安全漏洞的速度,远超未借助工具的人类。其中不乏存在数十年之久的"老顽固",例如OpenBSD中一个已有27年历史的漏洞,以及Linux内核NFS代码中一个长达23年的缺陷。就连稳定内核的主要维护者Greg Kroah-Hartman也承认,这类自动化检测确实有效。
值得关注的是,应对这一问题有一种相当直接的方式:如果漏洞存在于老旧硬件的陈年驱动中,与其费力修复,不如直接将其移除。这一思路已成为近期多项Linux内核变更背后的主要逻辑。
Andrew Lunn提交了一个包含18个补丁的系列更新,移除了3Com旗下3C509、3C515、3C574、3C589和3C59x等硬件的驱动程序,同时还移除了另外13款设备的支持,其中包括若干老款Xircom并行端口卡和PCMCIA插槽卡。
此外,Hamachi和Yellowfin PCI千兆网卡适配器也在被移除之列——这些设备虽比上述设备稍新,但也已有超过二十年的历史。AX.25和HAM无线电驱动,以及异步传输模式(ATM)网络支持,同样面临被删除的命运。回想起来,尽管TCP/IP在20世纪90年代末迅速崛起,ATM当时仍被宣传为"公共与私有网络互联的最佳选择",而今看来不过是历史的遗迹。ISDN CAPI支持,包括通过蓝牙传输的相关功能,预计也将一并移除。Linux基准测试与资讯网站Phoronix估计,仅以太网设备相关代码的清理,就将删除接近3万行代码。
另一项可能在内核7.1版本中落地的移除,是对80486处理器的支持。早在约一年前的6.15内核讨论中,这一提案就已被提出,实际上相关讨论早在2022年便已开始。
不过,即便上述所有变更均获批准,也不意味着立即断绝支持:包含相关支持的旧版内核仍将维护多年。
T2发行版的首席维护者René Rebe也就此表态,向我们表示:"T2/Linux当然会继续支持这些设备。支持早期简单的32位CPU对我们来说并不困难。过去几年我们一直提供i486版本,近期还修复了一些漏洞,目前仍在最快的i486级CPU(AMD 5x86,超频至160 MHz)以及Vortex86嵌入式和工业主板上运行。"
我们在今年于布鲁塞尔举办的FOSDEM大会上见到了Rebe,T2项目在现场展示了该发行版在多台老款RISC计算机上的运行情况,包括一台双核PowerMac G5,在T2/Linux上流畅运行最新版Firefox,并支持硬件加速3D图形与视频播放。
Q&A
Q1:Linux内核为什么要移除老旧硬件驱动?
A:主要原因是为了应对大语言模型驱动的自动化漏洞检测。这类工具能以远超人类的速度发现代码中的安全漏洞,包括存在了数十年的老旧缺陷。对于那些服务于早已淘汰硬件的驱动程序,与其耗费精力修复漏洞,不如直接将其从内核中移除,从根本上消除安全隐患。此次清理涉及3Com网卡、Xircom接口卡、ATM网络支持、ISDN CAPI等多类设备,仅以太网相关代码预计就将删除近3万行。
Q2:移除80486处理器支持后,还有发行版会继续支持吗?
A:有。T2发行版的首席维护者René Rebe明确表示,T2/Linux将继续支持80486及早期32位CPU,称这在技术上"并不困难"。过去几年T2一直提供i486版本,近期还进行了漏洞修复,并在AMD 5x86(超频160 MHz)及Vortex86工业主板上持续运行。此外,即便主线内核移除相关支持,现有的包含该支持的旧版内核仍将维护多年。
Q3:ATM网络支持为什么会被Linux内核移除?
A:ATM(异步传输模式)是一种曾在20世纪90年代被广泛推广的网络技术,一度被认为是公共与私有网络互联的最佳方案。然而随着TCP/IP协议的迅速普及,ATM逐渐被市场淘汰。如今该技术早已退出主流应用场景,相关硬件也基本绝迹,继续在内核中维护其驱动只会带来不必要的安全风险,因此在本轮老旧代码清理中,ATM网络支持也被列入移除名单。
好文章,需要你的鼓励
研究人员意外发现,标准MOSFET晶体管可同时模拟神经元和突触行为,形成"神经突触随机存取存储器"(NSRAM)。该技术仅需一至两个晶体管即可实现传统需数十乃至数百个元件才能完成的神经信号处理,且与现有硅基制造工艺完全兼容,良率达100%。未来有望应用于边缘AI及高能效神经形态芯片,长远或可挑战GPU地位。
复旦大学团队提出ICWM框架,让机器人在任务前通过随机探测动作自主感知当前视角和物理配置,无需重新训练即可适应新摄像头角度,真实机器人测试成功率最高提升175%。
本文提出一种评估人工智能风险的新方法,借鉴生态学与演化论视角,从理论生态模型中推导出三项风险指标,涵盖种群模型与生态系统模型。研究旨在为AI治理策略提供量化工具,并对分析局限性及政策改进方向进行了深入探讨,为构建更科学的AI风险评估体系提供参考框架。
西安交通大学团队提出Fast-LeWM,用动作前缀并行预测替代逐步推演,将AI世界模型规划速度提升近4倍,同时平均成功率从85.8%提升至90.5%。