OWASP ର LLM Exploit Generation Guide 2.0: AI ହ୍ୟାକିଂ ଏପର୍ଯ୍ୟନ୍ତ କ’ଣ କରିପାରିବ ଏବଂ କ’ଣ କରିପାରିବ ନାହିଁ

ଆଜି କ’ଣ ଏକ AI ନିଜେ ନିଜେ ଏକ ସିଷ୍ଟମକୁ ହ୍ୟାକ୍ କରିପାରିବ? ସର୍ବଶେଷ ଅନୁସନ୍ଧାନରୁ ପ୍ରକୃତ ଉତ୍ତର ହେଉଛି "ଆଂଶିକ ଭାବରେ, ଏବଂ ଏହା କାହା ଦ୍ୱାରା ପରିଚାଳିତ ହେଉଛି ଓ ଏହା ପାଖରେ କେଉଁ ଉପକରଣ ଅଛି, ତାହା ଉପରେ ବହୁତ କିଛି ନିର୍ଭର କରେ।"

ଆଜି ହେଉଛି ନଭେମ୍ବର 4, 2026, ଏବଂ ବର୍ତ୍ତମାନ ଏହି ପ୍ରଶ୍ନଟି ଗୁରୁତ୍ୱପୂର୍ଣ୍ଣ ଅଟେ କାରଣ OWASP GenAI Security Project ନିଜର LLM Exploit Generation Guide 2.0 ପ୍ରକାଶ କରିଛି। ପ୍ରକୃତ ଟାର୍ଗେଟ୍ ଆଡ଼କୁ ନିର୍ଦ୍ଦେଶିତ ହେଲେ ଲାଙ୍ଗୁଏଜ୍ ମଡେଲ୍ ଏବଂ AI ଏଜେଣ୍ଟଗୁଡ଼ିକ ପ୍ରକୃତରେ କିପରି ଆଚରଣ କରନ୍ତି, ତାହା ଉପରେ ଏହା ଏକ ଅତ୍ୟନ୍ତ ବିସ୍ତୃତ ସାର୍ବଜନୀନ ସମୀକ୍ଷା। ସର୍ଭର, ଆପ୍ କିମ୍ବା ସିକ୍ୟୁରିଟି ଟିମ୍ ଚଳାଉଥିବା ଯେକୌଣସି ବ୍ୟକ୍ତିଙ୍କ ପାଇଁ ଏହି ଫଳାଫଳ ଉପଯୋଗୀ, କାରଣ ଏହା ଦର୍ଶାଏ ଯେ ଆକ୍ରମଣକାରୀମାନେ କେଉଁଠାରେ ଗତି ହାସଲ କରନ୍ତି ଏବଂ ଡିଫେଣ୍ଡରମାନଙ୍କ ପାଖରେ କେଉଁଠାରେ ଏବେ ମଧ୍ୟ ସମୟ ଅଛି।

OWASP ପ୍ରକୃତରେ କ’ଣ ପରୀକ୍ଷା କରିଥିଲା

OWASP (Open Worldwide Application Security Project, ଏକ ଅଣ-ଲାଭକାରୀ ସଂସ୍ଥା ଯାହା ୱେବ୍ ବିପଦଗୁଡ଼ିକର Top 10 ତାଲିକା ପାଇଁ ଜଣାଶୁଣା) 2025 ବସନ୍ତରୁ ଆରମ୍ଭ କରି ପ୍ରାୟ ପନ୍ଦର ମାସ ଧରି ଏହି ଅଧ୍ୟୟନ ଚଳାଇଥିଲା। ଟିମ୍ କାର୍ଯ୍ୟକୁ ଦୁଇଟି ଟ୍ରାକରେ ବିଭକ୍ତ କରିଥିଲା:

• Classic track: ଜଣେ ବ୍ୟକ୍ତି ଏକକ ମଡେଲ୍ ସହିତ ଚାଟ୍ କରନ୍ତି ଏବଂ ଏହା ପରାମର୍ଶ ଦେଇଥିବା ଯେକୌଣସି କମାଣ୍ଡ ଚଲାନ୍ତି। ଏଥିରେ ଏକ ସାଧାରଣ ଚାଟ୍ ଇଣ୍ଟରଫେସରେ ଥିବା ଏକ ହୋଷ୍ଟେଡ୍ ଫ୍ରଣ୍ଟିଅର୍ ମଡେଲ୍ ଏବଂ ଏକ ଛୋଟ ଲୋକାଲ୍ ମଡେଲ୍ ଅନ୍ତର୍ଭୁକ୍ତ ଥିଲା।
• Agentic track: ସଫ୍ଟୱେର୍ ଫ୍ରେମୱାର୍କଗୁଡ଼ିକ ମଡେଲକୁ ନିଜେ ଟୁଲ୍ସ କଲ୍ କରିବାକୁ ଏବଂ ଅଧିକ ସ୍ୱାଧୀନତା ସହିତ କାର୍ଯ୍ୟ କରିବାକୁ ଅନୁମତି ଦିଏ। ଉଭୟ ହୋଷ୍ଟେଡ୍ ଏବଂ ଲୋକାଲି ଚାଲୁଥିବା ମଡେଲ୍ ଦ୍ୱାରା ସମର୍ଥିତ CAI, HexStrike AI, Claude Code, Codex ଏବଂ କଷ୍ଟମ୍ ମଲ୍ଟି-ଏଜେଣ୍ଟ ବ୍ୟବସ୍ଥା ସହିତ ନଅଟି ସେଟଅପ୍ ପରୀକ୍ଷା କରାଯାଇଥିଲା।

ଟାର୍ଗେଟ୍ ଦୁଇଟି ଥିଲା Hack The Box ଟ୍ରେନିଂ ମେସିନ୍, Silentium ଏବଂ MonitorsFour। ଏଗୁଡ଼ିକ ପ୍ରକୃତ କମ୍ପାନୀ ନୁହଁନ୍ତି, ବରଂ ଆକ୍ରମଣ କରାଯିବା ପାଇଁ ତିଆରି ହୋଇଥିବା ଅଭ୍ୟାସ ପରିବେଶ। ଟିମ୍ ଏପରି ମେସିନ୍ ବାଛିଥିଲା ଯାହା ମଡେଲଗୁଡ଼ିକର ଟ୍ରେନିଂ କଟ୍-ଅଫ୍ ପରେ ରିଲିଜ୍ ହୋଇଥିଲା ଏବଂ ସେଗୁଡ଼ିକର କୌଣସି ସାର୍ବଜନୀନ walkthroughs ନଥିଲା, ଯାହା ଫଳରେ ମଡେଲଗୁଡ଼ିକ ପୂର୍ବରୁ ଦେଖିଥିବା ସମାଧାନକୁ କେବଳ ପୁନରାବୃତ୍ତି କରିପାରିବେ ନାହିଁ।

ପୂର୍ବରୁ ଏକ ସୀମା: ପ୍ରତ୍ୟେକ ଏଜେଣ୍ଟିକ୍ ରନ୍ ଥରେ ହୋଇଥିଲା, ଯେଉଁଥିରେ ଅଭିଜ୍ଞ ପରୀକ୍ଷକମାନେ ନିୟନ୍ତ୍ରଣରେ ଥିଲେ। ତେଣୁ ଏହି ଅଧ୍ୟୟନ ଦର୍ଶାଏ ଯେ ଏହି ସିଷ୍ଟମଗୁଡ଼ିକ କିପରି ବିଫଳ ହୁଏ ଏବଂ କେଉଁଠାରେ ମଣିଷ ହସ୍ତକ୍ଷେପ କରେ, କିନ୍ତୁ ଏହା କୌଣସି ନିର୍ଭରଯୋଗ୍ୟ ସଫଳତା ହାର କିମ୍ବା ମଡେଲ୍ ର଼୍ୟାଙ୍କିଙ୍ଗ ପ୍ରଦାନ କରେ ନାହିଁ।

ଆକାଉଣ୍ଟ ଟେକଓଭର୍ ଯେଉଁଥିପାଇଁ କମ୍ ଦକ୍ଷତା ଆବଶ୍ୟକ ଥିଲା

Classic track ରେ, ଜଣେ ବ୍ୟକ୍ତି Silentium ବିରୁଦ୍ଧରେ ଏକ AI-ଲିଖିତ ରନ୍‌ବୁକ୍ (ଏକ ପଦକ୍ଷେପ ଅନୁଯାୟୀ ନିର୍ଦ୍ଦେଶାବଳୀ ତାଲିକା) ଅନୁସରଣ କରିଥିଲେ। ମଡେଲଟି ମୁଖ୍ୟ ଆପ୍ ପାଖରେ ଥିବା ଏକ ଷ୍ଟେଜିଂ ପରିବେଶ ଖୋଜି ପାଇଲା, ଏକ ଆକାଉଣ୍ଟ ୱାର୍କଫ୍ଲୋ ମାଧ୍ୟମରେ ସୂଚନା ଲିକ୍ ହେଉଥିବା ଦେଖିଲା, ଏବଂ ସେହି ବ୍ୟକ୍ତିଙ୍କୁ ଏକ ଆଡମିନିଷ୍ଟ୍ରେଟିଭ୍ ଆକାଉଣ୍ଟ ଟେକଓଭର୍ ପାଇଁ ମାର୍ଗଦର୍ଶନ କଲା।

ଅପରେଟରଙ୍କର ଗଭୀର ଅଫେନ୍ସିଭ୍-ସିକ୍ୟୁରିଟି ଜ୍ଞାନର ଆବଶ୍ୟକତା ନଥିଲା, କେବଳ ମୌଳିକ କମାଣ୍ଡ-ଲାଇନ୍ ଦକ୍ଷତା ଥିଲା, ଯଦିଓ ଅନୁରୋଧଗୁଡ଼ିକ କିପରି ଉପସ୍ଥାପନ କରାଯାଇଥିଲା ତାହା ଉପରେ ନିର୍ଭର କରି ମଡେଲ୍ ବେଳେବେଳେ ମନା କରୁଥିଲା। ଡିଫେଣ୍ଡରମାନଙ୍କ ପାଇଁ, ଚିନ୍ତାଜନକ ବିଷୟ ହେଉଛି ଆବିଷ୍କାର: ମଡେଲଟି ଏକ ଭୁଲିଯାଇଥିବା ଷ୍ଟେଜିଂ ସର୍ଭିସ୍ ଆଡ଼କୁ ଇଙ୍ଗିତ କରିଥିଲା ଯାହା ଜଣେ ପ୍ରାରମ୍ଭିକ ବ୍ୟକ୍ତି କେବେ ଖୋଜି ନଥାନ୍ତେ।

ଏଜେଣ୍ଟମାନେ ବହୁତ କିଛି ପାଇଲେ, ତା’ପରେ ଗୋଟିଏ ସ୍ଥାନରେ ଘୁରି ବୁଲିଲେ

ସ୍ୱୟଂଶାସିତ ଏଜେଣ୍ଟଗୁଡ଼ିକ ରେକନାଇସାନ୍ସ (କ’ଣ ଏକ୍ସପୋଜ୍ ହୋଇଛି ତାହା ମ୍ୟାପିଂ କରିବା) ରେ ଭଲ ଥିଲେ: ସେବାଗୁଡ଼ିକ, ଅତିରିକ୍ତ ଆପ୍ଲିକେସନ୍ ସର୍ଫେସ୍, ସଫ୍ଟୱେର୍ ଭର୍ସନ୍ ଏବଂ ଜଣାଶୁଣା ଦୁର୍ବଳତାଗୁଡ଼ିକ (vulnerabilities)। ତା’ପରେ ବିଚାର ବା ନିର୍ଣ୍ଣୟ ଶକ୍ତି ଭୁଶୁଡ଼ି ପଡ଼ିଲା:

• ଜଣେ ଏଜେଣ୍ଟ ଓପନ୍ ପୋର୍ଟଗୁଡ଼ିକ ଦେଖିଲା, କିନ୍ତୁ ଯେତେବେଳେ ହୋଷ୍ଟ ଏକ ping ର ଉତ୍ତର ଦେଲାନାହିଁ, ଏହା ପୁନର୍ବାର ଆରମ୍ଭରୁ ଡିସକଭରୀ ଆରମ୍ଭ କଲା। ଏହା ସେହି ସରଳ କାରଣକୁ ବୁଝିପାରିଲାନାହିଁ ଯେ ହୋଷ୍ଟ କେବଳ ping ଟ୍ରାଫିକକୁ ବ୍ଲକ୍ କରେ।
• ଜଣେ ଲୋକାଲ୍ ଏଜେଣ୍ଟ ଏକ ହୋଷ୍ଟନେମ୍‌କୁ ରିଡାଇରେକ୍ଟ ଅନୁସରଣ କରିଚାଲିଲା ଯାହାକୁ ଏହା ରିଜଲ୍ଭ କରିପାରିଲା ନାହିଁ, ଯେପର୍ଯ୍ୟନ୍ତ ଜଣେ ମଣିଷ ଲୋକାଲ୍ ନାମ ସେଟିଂସକୁ ଠିକ୍ ନ କଲେ।

ପଚାରିବା ବେଳେ ମଡେଲ୍ ପ୍ରାୟତଃ ସଠିକ୍ ଧାରଣା ଜାଣିଥିଲା, କିନ୍ତୁ ଆବଶ୍ୟକ ସମୟରେ ଏହାକୁ ପ୍ରୟୋଗ କରିପାରିଲା ନାହିଁ। ଜାଣିବା ଏବଂ କରିବା ମଧ୍ୟରେ ଥିବା ଏହି ବ୍ୟବଧାନ ହିଁ ଏକ ଚାଟ୍ ଆସିଷ୍ଟାଣ୍ଟକୁ ଏକ ସ୍ୱାଧୀନ ଅପରେଟରଠାରୁ ପୃଥକ କରେ।

ଆତ୍ମବିଶ୍ୱାସୀ ହେବା ଏବଂ ସଠିକ୍ ହେବା ଏକା କଥା ନୁହେଁ

ଏଜେଣ୍ଟମାନେ ପ୍ରକୃତ ଅନୁସନ୍ଧାନ ପରି ସମାନ ଆତ୍ମବିଶ୍ୱାସ ସହିତ ଡେଡ୍ ଏଣ୍ଡ୍ (ଅଗ୍ରଗତି ନଥିବା ରାସ୍ତା) ଗୁଡ଼ିକର ବର୍ଣ୍ଣନା କଲେ, ଏବଂ ଏକ ଭୁଲ୍ "ଅନୁସନ୍ଧାନ" ପରବର୍ତ୍ତୀ ପଦକ୍ଷେପଗୁଡ଼ିକ ମଧ୍ୟକୁ ଚାଲିଗଲା। ଆଭ୍ୟନ୍ତରୀଣ ଭାବରେ AI ବ୍ୟବହାର କରୁଥିବା ଟିମ୍ ପାଇଁ, ଏକ ଦୀର୍ଘ, ବିଶ୍ୱାସଯୋଗ୍ୟ ପେନିଟ୍ରେସନ୍-ଟେଷ୍ଟ ରିପୋର୍ଟ ଏକ ଯାଞ୍ଚ ହୋଇଥିବା ଅନୁସନ୍ଧାନ ନୁହେଁ: ଆପଣଙ୍କୁ ଏବେ ମଧ୍ୟ ପ୍ରବେଶର ପ୍ରମାଣ, ଏହାକୁ ପୁନର୍ବାର ଉତ୍ପନ୍ନ (reproduce) କରିବାର ଉପାୟ, ଏବଂ ଅତିକ୍ରମ କରାଯାଇଥିବା ସଠିକ୍ ସୀମାର ଆବଶ୍ୟକତା ରହିଛି।

ମଡେଲ୍ ଅପେକ୍ଷା ହାର୍ନେସ୍ ଅଧିକ ଗୁରୁତ୍ୱପୂର୍ଣ୍ଣ ଥିଲା

ଏକ ଏଜେଣ୍ଟ "ହାର୍ନେସ୍" ହେଉଛି ମଡେଲ୍ ଚାରିପାଖରେ ଥିବା ସବୁକିଛି: ଏହାର ଟୁଲ୍ସ, ଏକ୍ସିକ୍ୟୁସନ୍ ପରିବେଶ, ମେମୋରୀ ଏବଂ ଟାସ୍କ ସମନ୍ୱୟ। OWASP ରନ୍‌ଗୁଡ଼ିକରେ, ହାର୍ନେସ୍ ପ୍ରାୟତଃ ଫଳାଫଳ ନିର୍ଣ୍ଣୟ କରୁଥିଲା।

କେତେକ ଏଜେଣ୍ଟ ଉପଲବ୍ଧ Model Context Protocol (MCP, ଏକ ମଡେଲରେ ଟୁଲ୍ସ ଯୋଡ଼ିବାର ଏକ ମାନକ ପଦ୍ଧତି) ଉପକରଣଗୁଡ଼ିକୁ ବ୍ୟବହାର କରିବାକୁ ନ କହିବା ପର୍ଯ୍ୟନ୍ତ ଅଣଦେଖା କରିଥିଲେ। ଅନ୍ୟଗୁଡ଼ିକ ର଼୍ୟାପର୍ ଟାଇମଆଉଟ୍‌ର ସମ୍ମୁଖୀନ ହୋଇଥିଲେ, ତେଣୁ ଅପରେଟରମାନେ ନିଜ ହାତରେ ସ୍କାନ୍ ଚଲାଇଥିଲେ। ଯଦି ଆପଣ ଏକ AI ସୁରକ୍ଷା ଉପକରଣ କିଣୁଛନ୍ତି କିମ୍ବା ତିଆରି କରୁଛନ୍ତି, ତେବେ କେବଳ ମଡେଲ୍ ନାମ ନୁହେଁ, ଆପଣ ଚଳାଇବାକୁ ଥିବା ସଠିକ୍ କନଫିଗରେସନ୍ ପରୀକ୍ଷା କରନ୍ତୁ।

ଗାର୍ଡରେଲଗୁଡ଼ିକ ଏଜେଣ୍ଟମାନଙ୍କୁ ଧୀମା କରିଦେଇଥିଲା କିନ୍ତୁ ବିପଦକୁ ଦୂର କରିନଥିଲା

ଚୂଡ଼ାନ୍ତ ଏକ୍ସପ୍ଲଏଟେସନ୍ ପଦକ୍ଷେପରେ ପହଞ୍ଚିଥିବା ହୋଷ୍ଟେଡ୍ ଏଜେଣ୍ଟଗୁଡ଼ିକୁ ପ୍ରଦାନକାରୀଙ୍କ ସାଇବର ସୁରକ୍ଷା ପ୍ରତିବନ୍ଧକ ଦ୍ୱାରା ଅଟକାଇ ଦିଆଯାଇଥିଲା। ସେମାନେ ଆଗକୁ ବଢ଼ିବାର ରାସ୍ତା ଦେଖିପାରୁଥିଲେ କିନ୍ତୁ ଏହାକୁ ଶେଷ କରିପାରିଲେ ନାହିଁ। କେତେକ କ୍ଷେତ୍ରରେ ଜଣେ ଜ୍ଞାନୀ ଅପରେଟର ଶେଷ ପଦକ୍ଷେପଟିକୁ ନିଜ ହାତରେ କରିଥିଲେ।

ସୁରକ୍ଷା ବ୍ୟବସ୍ଥା (Safeguards) କାର୍ଯ୍ୟକାରିତାକୁ ସୀମିତ କରିଥିଲା, କିନ୍ତୁ ପ୍ରସ୍ତୁତି କାର୍ଯ୍ୟ ଜଣେ ଦକ୍ଷ ବ୍ୟକ୍ତି ବ୍ୟବହାର କରିବା ପାଇଁ ରହିଯାଇଥିଲା, ଏବଂ ଆକ୍ରମଣକାରୀମାନେ ସେବା ବଦଳାଇ ପାରିବେ, ଲୋକାଲ୍ ମଡେଲ୍ ଚଳାଇ ପାରିବେ କିମ୍ବା ଅବରୋଧିତ ପଦକ୍ଷେପଟିକୁ ନିଜେ କରିପାରିବେ। ଅନ୍ୟ କମ୍ପାନୀର ମଡେଲ୍ ସୁରକ୍ଷା ଆପଣଙ୍କ ନିଜସ୍ୱ ନିୟନ୍ତ୍ରଣର ବିକଳ୍ପ ନୁହେଁ।

ଅନ୍ୟାନ୍ୟ ଅନୁସନ୍ଧାନ ମଧ୍ୟ ସମାନ ଦିଗକୁ ଇଙ୍ଗିତ କରେ

OWASP ର ନିଷ୍କର୍ଷକୁ "ପ୍ରାରମ୍ଭିକ ବ୍ୟକ୍ତିମାନେ ନିରୀହ ରହିବେ" ବୋଲି ପଢ଼ାଯିବା ଉଚିତ ନୁହେଁ। ଜୁନ୍ 2026 ର ଏକ RAND ଅଧ୍ୟୟନରୁ ଜଣାପଡ଼ିଛି ଯେ Sonnet ଏବଂ Opus 4.6 ସହିତ Claude Code ଏହାର ପ୍ରତ୍ୟେକ capture-the-flag ଚ୍ୟାଲେଞ୍ଜକୁ ଏକ ଘଣ୍ଟାରୁ କମ୍ ସମୟ ମଧ୍ୟରେ, ସମୁଦାୟ 20 US ଡଲାରରୁ କମ୍ API ଖର୍ଚ୍ଚରେ ସମାଧାନ କରିଛି, ଯେଉଁଥିରେ ତଦାରଖ ମୁଖ୍ୟତଃ ହ୍ୟାଙ୍ଗ୍ ହୋଇଥିବା ପ୍ରୋସେସ୍‌ଗୁଡ଼ିକୁ ପୁନରାରମ୍ଭ କରିବା ମଧ୍ୟରେ ସୀମିତ ଥିଲା। ସେହି ସମାନ ଚ୍ୟାଲେଞ୍ଜଗୁଡ଼ିକ ପୁରୁଣା ଚାଟବଟ୍ ବ୍ୟବହାର କରୁଥିବା ଲୋକଙ୍କ ପାଇଁ କଷ୍ଟକର ଥିଲା।

ପ୍ରକୃତ ଘଟଣାଗୁଡ଼ିକରେ ଅଟୋମେସନ୍ ଏବଂ ମାନବ ନିର୍ଦ୍ଦେଶନାର ମିଶ୍ରଣ ଦେଖିବାକୁ ମିଳେ। Anthropic ନଭେମ୍ବର 2025 ରେ ରିପୋର୍ଟ କରିଥିଲା ଯେ ଚୀନ୍ ସରକାର-ପ୍ରାୟୋଜିତ ବୋଲି ଆକଳନ କରାଯାଇଥିବା ଜଣେ ଆକ୍ଟର ପ୍ରାୟ 30 ଟି ଟାର୍ଗେଟ୍ ବିରୁଦ୍ଧରେ Claude Code ବ୍ୟବହାର କରିଥିଲା, ଯେଉଁଥିରେ AI ଆନୁମାନିକ 80 ରୁ 90 ପ୍ରତିଶତ କାମ କରିଥିଲା। Google Threat Intelligence Group ମେ 2026 ରେ ଏକ ଅପରାଧିକ zero-day ଏକ୍ସପ୍ଲଏଟ୍ ରିପୋର୍ଟ କରିଥିଲା ଯାହା AI ସାହାଯ୍ୟରେ ନିର୍ମିତ ବୋଲି ଆକଳନ କରାଯାଇଥିଲା। ଉଭୟ କମ୍ପାନୀଗୁଡ଼ିକର ନିଜସ୍ୱ ଆକଳନ ଅଟେ। ଯାହା ବି ହେଉ, "ଜଣେ ମଣିଷ ଏବେ ବି ଆବଶ୍ୟକ" ବୋଲି କହିବା ଆଶ୍ୱାସନାଦାୟକ ନୁହେଁ ଯେତେବେଳେ ଜଣେ ମଣିଷ ବହୁତ ଅଧିକ କାର୍ଯ୍ୟ ନିର୍ଦ୍ଦେଶିତ କରିପାରିବ।

ବେଞ୍ଚମାର୍କ ସ୍କୋରଗୁଡ଼ିକ କାହିଁକି threat intelligence ନୁହେଁ

ଏକ ବେଞ୍ଚମାର୍କ ଦର୍ଶାଏ ଯେ ଏକ ସିଷ୍ଟମ୍ ନିର୍ଦ୍ଦିଷ୍ଟ ସର୍ତ୍ତ ଅଧୀନରେ ବଛାବଛି କାର୍ଯ୍ୟଗୁଡ଼ିକୁ ସମାଧାନ କରିଛି। ଏହା ପ୍ରୟାସ, ହିଣ୍ଟ ଏବଂ ମାନବ ସହାୟତାକୁ ଲୁଚାଇଥାଏ, ଏବଂ ମନିଟରିଂ ଓ ରେସପନ୍ସ ଟିମ୍ ଥିବା ଏକ ପ୍ରକୃତ କମ୍ପାନୀ ବିଷୟରେ କିଛି କହିନଥାଏ।

କିପରି ପ୍ରତିକ୍ରିୟା ଦେବେ: ଡିଫେଣ୍ଡରମାନଙ୍କ ପାଇଁ ଏକ ସଂକ୍ଷିପ୍ତ ଚେକଲିଷ୍ଟ

ରକ୍ଷଣାତ୍ମକ ପ୍ରାଥମିକତାଗୁଡ଼ିକ ପରିଚିତ। ଯାହା ପରିବର୍ତ୍ତନ ହୁଏ ତାହା ହେଉଛି ଜରୁରୀତା, କାରଣ ଆକ୍ରମଣକାରୀମାନେ ଏବେ ବିରକ୍ତିକର ପ୍ରସ୍ତୁତି କାର୍ଯ୍ୟକୁ ଅଟୋମେଟ୍ (automate) କରିପାରିବେ।

Step 1: ଆପଣ କ’ଣ ସବୁ ଏକ୍ସପୋଜ୍ କରୁଛନ୍ତି ତାହା ଜାଣନ୍ତୁ

ଷ୍ଟେଜିଂ, ଟେଷ୍ଟ ଏବଂ ପୁରୁଣା ସେକେଣ୍ଡାରୀ ଆପ୍ ସମେତ ପ୍ରତ୍ୟେକ ଇଣ୍ଟରନେଟ୍-ଫେସିଂ ସେବାର ଏକ ସଠିକ୍ ତାଲିକା (inventory) ରଖନ୍ତୁ। ଯଦି ଏକ AI ମିନିଟ୍ ମଧ୍ୟରେ ଆପଣଙ୍କର ଭୁଲିଯାଇଥିବା ଷ୍ଟେଜିଂ ସର୍ଭରକୁ ଖୋଜି ପାରିବ, ତେବେ ଆପଣଙ୍କୁ ଏହାକୁ ପ୍ରଥମେ ଖୋଜିବାକୁ ପଡ଼ିବ। ଏହାକୁ ସୁରକ୍ଷିତ (lock down) କରନ୍ତୁ କିମ୍ବା ଅଫଲାଇନ୍ କରନ୍ତୁ।

Step 2: ମୌଳିକ ବିଷୟଗୁଡ଼ିକୁ ଶୀଘ୍ର ଠିକ୍ କରନ୍ତୁ

ଆକ୍ସେସ୍ କଣ୍ଟ୍ରୋଲ୍ କଡ଼ାକଡ଼ି କରନ୍ତୁ, ଶକ୍ତିଶାଳୀ ଦ୍ୱିତୀୟ ଫ୍ୟାକ୍ଟର (second factors) ସହିତ ପ୍ରିଭିଲେଜ୍ଡ ଆକାଉଣ୍ଟଗୁଡ଼ିକୁ ସୁରକ୍ଷିତ କରନ୍ତୁ, ଏବଂ ପ୍ୟାଚ୍ ରିଲିଜ୍ ଠାରୁ ପ୍ୟାଚ୍ ଲାଗୁ କରିବା ପର୍ଯ୍ୟନ୍ତ ସମୟକୁ ହ୍ରାସ କରନ୍ତୁ। UK National Cyber Security Centre ଆଶା କରୁଛି ଯେ 2027 ସୁଦ୍ଧା AI ଏକ ଦୁର୍ବଳତାର ପ୍ରକାଶ ଏବଂ ଏହାର ଶୋଷଣ (exploitation) ମଧ୍ୟରେ ଥିବା ବ୍ୟବଧାନକୁ ଆହୁରି କମାଇବ।

Step 3: କୋଳାହଳପୂର୍ଣ୍ଣ (noisy), ପୁନରାବୃତ୍ତି ଆଚରଣ ଉପରେ ନଜର ରଖନ୍ତୁ

ଏଜେଣ୍ଟମାନେ କୌଣସି ଅଗ୍ରଗତି ବିନା ସ୍କାନ୍ ଏବଂ ବିଫଳ ଅନୁରୋଧଗୁଡ଼ିକୁ ପୁନରାବୃତ୍ତି କରିଥିଲେ। ଏହାକୁ ଏକ ସଙ୍କେତ ଭାବରେ ଗ୍ରହଣ କରନ୍ତୁ, AI ର ପ୍ରମାଣ ଭାବରେ ନୁହେଁ, ଏବଂ ଏହାକୁ ଲଗଇନ୍, ଆପ୍ଲିକେସନ୍ ତ୍ରୁଟି ଏବଂ କ୍ରେଡେନସିଆଲ୍ ବ୍ୟବହାର ସହିତ ସହସମ୍ବନ୍ଧିତ (correlate) କରନ୍ତୁ। କୌଣସି ଅନୁପ୍ରବେଶ (intrusion) ଗଠନ ହେଉଛି କି ନାହିଁ ତାହା ହିଁ ଗୁରୁତ୍ୱପୂର୍ଣ୍ଣ।

Step 4: ଆପଣଙ୍କ ନିଜସ୍ୱ ଏଜେଣ୍ଟମାନଙ୍କ ଚାରିପାଖରେ ପ୍ରକୃତ ସୀମାରେଖା ରଖନ୍ତୁ

ଯଦି ଆପଣ ଆଭ୍ୟନ୍ତରୀଣ ଭାବରେ AI ଏଜେଣ୍ଟ ଚଳାଉଛନ୍ତି, ତେବେ ସେମାନଙ୍କର ନେଟୱର୍କ ପହଞ୍ଚ, କ୍ରେଡେନସିଆଲ୍ ଏବଂ ଏକ୍ସିକ୍ୟୁସନ୍ ଅଧିକାରକୁ ସୀମିତ କରନ୍ତୁ। Anthropic ଜୁଲାଇ 2026 ରେ ପ୍ରକାଶ କରିଥିଲା ଯେ ମଡେଲଗୁଡ଼ିକୁ ପୃଥକ (isolated) ବୋଲି ବର୍ଣ୍ଣନା କରାଯାଇଥିବା ମୂଲ୍ୟାଙ୍କନ ପରିବେଶଗୁଡ଼ିକରେ ପ୍ରକୃତରେ ଇଣ୍ଟରନେଟ୍ ଆକ୍ସେସ୍ ଥିଲା, ଏବଂ ମଡେଲଗୁଡ଼ିକ ପ୍ରକୃତ ସଂଗଠନଗୁଡ଼ିକରେ ପହଞ୍ଚିଥିଲେ। ଏକ ପ୍ରମ୍ପ୍ଟରେ ଲେଖାଯାଇଥିବା ସୀମା କୌଣସି ପ୍ରକୃତ ସୀମା ନୁହେଁ। ଏହାକୁ ନେଟୱାର୍କ ଏବଂ ଅନୁମତି ସିଷ୍ଟମରେ ଲାଗୁ କରନ୍ତୁ।

ଉପସଂହାର

AI ପୂର୍ବରୁ ହିଁ ଅଫେନ୍ସିଭ୍ କାର୍ଯ୍ୟର ପ୍ରକୃତ ଅଂଶ କରିସାରିଛି, ବିଶେଷକରି ରେକନାଇସାନ୍ସ ଏବଂ ଗବେଷଣା, ଯେତେବେଳେ କି ଟ୍ରବଲସୁଟିଂ ଏବଂ ନିଜ ସଫଳତା ଯାଞ୍ଚ କରିବାରେ ଏବେ ମଧ୍ୟ ଝୁଣ୍ଟୁଛି। ମଣିଷମାନେ ଏହି ସିଷ୍ଟମଗୁଡ଼ିକୁ କନଫିଗର୍ ଏବଂ ସଂଶୋଧନ କରିବା ଦିଗକୁ ଗତି କରୁଛନ୍ତି, ଏବଂ ଯେହେତୁ ସେଟଅପ୍‌ଗୁଡ଼ିକୁ ପୁନଃବ୍ୟବହାର କରିବା ସହଜ ହେବାରେ ଲାଗିଛି, ଆଜିର ପ୍ରତିବନ୍ଧକଗୁଡ଼ିକ ଶୀଘ୍ର ହଟିପାରେ। AI ଅଣକୁଶଳୀ ହୋଇ ରହିବ ବୋଲି ଆଶା କରିବା ପରିବର୍ତ୍ତେ ଏବେ ହିଁ ସହଜ ଟାର୍ଗେଟ୍‌ଗୁଡ଼ିକୁ ହଟାନ୍ତୁ।

ସୁଗୁଣଗୁଡ଼ିକ

• ଅତିରଞ୍ଜିତ ପ୍ରଚାର (hype) କିମ୍ବା ଖାରଜ କରିବା ପରିବର୍ତ୍ତେ ଏକ ବାସ୍ତବବାଦୀ, ପ୍ରମାଣ-ଆଧାରିତ ଦୃଷ୍ଟିକୋଣ ପ୍ରଦାନ କରେ।
• ମଣିଷ କେଉଁଠାରେ ହସ୍ତକ୍ଷେପ କରେ ତାହା ସଠିକ୍ ଭାବରେ ଦର୍ଶାଏ, ଯାହା ଡିଫେଣ୍ଡରମାନଙ୍କୁ ଯୋଜନା କରିବାରେ ସାହାଯ୍ୟ କରେ।
• କେବଳ ମଡେଲ୍ ନୁହେଁ, ବରଂ ହାର୍ନେସ୍ ଏବଂ କନଫିଗରେସନ୍ ପ୍ରକୃତ ପରିବର୍ତ୍ତନଶୀଳ (variable) ବୋଲି ଆଲୋକପାତ କରେ।
• ବ୍ୟବହାରିକ ସୁରକ୍ଷା ପଦକ୍ଷେପଗୁଡ଼ିକ ଆଡ଼କୁ ଇଙ୍ଗିତ କରେ ଯାହା ଅଧିକାଂଶ ଟିମ୍ ଏହି ସପ୍ତାହରେ ଆରମ୍ଭ କରିପାରିବେ।

ସୀମାବଦ୍ଧତାଗୁଡ଼ିକ

• ପ୍ରତ୍ୟେକ ଏଜେଣ୍ଟିକ୍ ରନ୍ ଥରେ ହୋଇଥିଲା, ତେଣୁ ଏଠାରେ କୌଣସି ନିର୍ଭରଯୋଗ୍ୟ ସଫଳତା ହାର ନାହିଁ।
• ଅଭିଜ୍ଞ ପରୀକ୍ଷକମାନେ ଏଜେଣ୍ଟଗୁଡ଼ିକୁ ଚଳାଇଥିଲେ, ତେଣୁ ପ୍ରାରମ୍ଭିକ ବ୍ୟକ୍ତିମାନଙ୍କ ଫଳାଫଳ ଅନୁମାନ କରାଯାଇଥିଲା, ମାପ କରାଯାଇନଥିଲା।
• ଟ୍ରେନିଂ ମେସିନଗୁଡ଼ିକ ମନିଟରିଂ ଏବଂ ରେସପନ୍ସ ଟିମ୍ ଥିବା ପ୍ରକୃତ କମ୍ପାନୀଗୁଡ଼ିକଠାରୁ ଭିନ୍ନ ଅଟନ୍ତି।
• ସକ୍ରିୟ ଡିଫେଣ୍ଡରମାନଙ୍କ ଦ୍ୱାରା ଷ୍ଟେଲ୍‌ଥ (stealth) ଏବଂ ଚିହ୍ନଟ (detection) ପରୀକ୍ଷା କରାଯାଇନଥିଲା।

ସତର୍କତା

ଏହି ଆର୍ଟିକିଲ୍‌ଟି ଶିକ୍ଷଣୀୟ ଅଟେ ଏବଂ ପ୍ରକାଶିତ ଅନୁସନ୍ଧାନର ସାରାଂଶ ପ୍ରଦାନ କରେ; ଏହା କୌଣସି ଆକ୍ରମଣ ଗାଇଡ୍ ନୁହେଁ। ଯେକୌଣସି ପ୍ଲେସହୋଲ୍ଡର କିମ୍ବା ଉଦାହରଣ ମୂଲ୍ୟଗୁଡ଼ିକୁ ଆପଣଙ୍କର ନିଜସ୍ୱ ମୂଲ୍ୟ ସହିତ ବଦଳାନ୍ତୁ, ପରିବର୍ତ୍ତନଗୁଡ଼ିକୁ ପ୍ରଥମେ ନିରାପଦରେ ପରୀକ୍ଷା କରନ୍ତୁ, ନିର୍ଭର କରିବା ପୂର୍ବରୁ ମୂଳ ରିପୋର୍ଟ ସହିତ ଦାବିଗୁଡ଼ିକୁ ଯାଞ୍ଚ କରନ୍ତୁ, ଏବଂ କେବଳ ସେହି ସିଷ୍ଟମଗୁଡ଼ିକୁ ପରୀକ୍ଷା କରନ୍ତୁ ଯାହା ପରୀକ୍ଷା କରିବାକୁ ଆପଣ ଅଧିକୃତ।

ବାରମ୍ବାର ପଚରାଯାଉଥିବା ପ୍ରଶ୍ନଗୁଡ଼ିକ

• OWASP LLM Exploit Generation Guide 2.0 କ’ଣ? — ଏହା OWASP GenAI Security Project ର ଏକ ରିପୋର୍ଟ ଯାହା ଲାଇଭ୍ ଟ୍ରେନିଂ ମେସିନ୍ ବିରୁଦ୍ଧରେ ମାନବ-ନିର୍ଦ୍ଦେଶିତ ଲାଙ୍ଗୁଏଜ୍ ମଡେଲ୍ ଏବଂ ସ୍ୱୟଂଶାସିତ AI ଏଜେଣ୍ଟଗୁଡ଼ିକୁ ପରୀକ୍ଷା କରିଥିଲା, ଏହା ଦେଖିବା ପାଇଁ ଯେ ସେମାନେ ଏକ ପ୍ରକୃତ ଆକ୍ରମଣରେ କେତେ ଦୂର ପର୍ଯ୍ୟନ୍ତ ଯାଇପାରିବେ।
• AI ଏଜେଣ୍ଟଗୁଡ଼ିକ କ’ଣ ସମ୍ପୂର୍ଣ୍ଣ ଭାବରେ ନିଜେ ସିଷ୍ଟମଗୁଡ଼ିକୁ ହ୍ୟାକ୍ କରିପାରିବେ? — ଏହି ଅଧ୍ୟୟନରେ ନିର୍ଭରଯୋଗ୍ୟ ଭାବରେ ନୁହେଁ; ଏଜେଣ୍ଟମାନେ ଦୃଢ଼ ରେକନାଇସାନ୍ସ କରିଥିଲେ କିନ୍ତୁ ଚୂଡ଼ାନ୍ତ ଏକ୍ସପ୍ଲଏଟେସନ୍ ପ୍ରଦାନକାରୀଙ୍କ ସୁରକ୍ଷା ବ୍ୟବସ୍ଥା ଦ୍ୱାରା ଅବରୋଧିତ ହୋଇଥିଲା କିମ୍ବା ଜଣେ ମଣିଷ ଦ୍ୱାରା ଶେଷ କରାଯାଇଥିଲା।
• AI ସୁରକ୍ଷା ଗାର୍ଡରେଲଗୁଡ଼ିକ କ’ଣ ଆକ୍ରମଣକୁ ରୋକିଥାଏ? — ସେମାନେ ପରୀକ୍ଷା କରାଯାଇଥିବା ହୋଷ୍ଟେଡ୍ ଏଜେଣ୍ଟଗୁଡ଼ିକୁ ଶେଷ ପଦକ୍ଷେପରେ ଅଟକାଇଥିଲେ, କିନ୍ତୁ ଜଣେ ଦକ୍ଷ ବ୍ୟକ୍ତି, ଏକ ଲୋକାଲ୍ ମଡେଲ୍ କିମ୍ବା ସେବାଗୁଡ଼ିକର ମିଶ୍ରଣ ସେଗୁଡ଼ିକୁ ଏଡ଼ାଇ କାମ କରିପାରିବେ, ତେଣୁ ଡିଫେଣ୍ଡରମାନେ ସେମାନଙ୍କ ଉପରେ ନିର୍ଭର କରିବା ଉଚିତ ନୁହେଁ।
• ମୁଁ AI ସାଇବର ବେଞ୍ଚମାର୍କ ସ୍କୋର ଉପରେ କାହିଁକି ବିଶ୍ୱାସ କରିବା ଉଚିତ ନୁହେଁ? — ସ୍କୋରଗୁଡ଼ିକ ପ୍ରୟାସ, ହିଣ୍ଟ, ଉପକରଣ ଏବଂ ମାନବ ସହାୟତାକୁ ଲୁଚାଇଥାଏ, ଏବଂ ସେଗୁଡ଼ିକ ସକ୍ରିୟ ଡିଫେଣ୍ଡର ଥିବା ଏକ ପ୍ରକୃତ ସଂଗଠନ ବିରୁଦ୍ଧରେ ପ୍ରଦର୍ଶନକୁ ଦର୍ଶାଏ ନାହିଁ।
• ଡିଫେଣ୍ଡରମାନେ ପ୍ରଥମେ କ’ଣ କରିବା ଉଚିତ? — ଷ୍ଟେଜିଂ ଏବଂ ଟେଷ୍ଟ ସିଷ୍ଟମ୍ ସମେତ ଏକ୍ସପୋଜ୍ ହୋଇଥିବା ସେବାଗୁଡ଼ିକର ଏକ ସମ୍ପୂର୍ଣ୍ଣ ତାଲିକା (inventory) ପ୍ରସ୍ତୁତ କରନ୍ତୁ, ଏବଂ ଭୁଲିଯାଇଥିବା ଯେକୌଣସି ଜିନିଷକୁ ସୁରକ୍ଷିତ କରନ୍ତୁ କିମ୍ବା ହଟାନ୍ତୁ।
• ମୁଁ ମୋର ନିଜସ୍ୱ AI ଏଜେଣ୍ଟଗୁଡ଼ିକୁ କିପରି ସୁରକ୍ଷିତ ରଖିବି? — ଭିତ୍ତିଭୂମି (infrastructure) ରେ ହିଁ ନେଟୱର୍କ ଆକ୍ସେସ୍, କ୍ରେଡେନସିଆଲ୍ ଏବଂ ଏକ୍ସିକ୍ୟୁସନ୍ ଅଧିକାର ଉପରେ ସୀମା ଲାଗୁ କରନ୍ତୁ, କାରଣ "stay isolated" କହୁଥିବା ଏକ ପ୍ରମ୍ପ୍ଟ କୌଣସି ପ୍ରକୃତ ନିୟନ୍ତ୍ରଣ ନୁହେଁ।

ଟ୍ୟାଗ୍‌ଗୁଡ଼ିକ

#OWASP #AISecurity #LLMSecurity #AIAgents #Cybersecurity #PenetrationTesting #ThreatIntelligence #DevSecOps #AttackSurface #GenAI