Podatności PHP2Shell w silniku PHP i skoordynowana odpowiedź branży
Badacze bezpieczeństwa ujawnili dwie podatności w silniku PHP związane z uszkodzeniem pamięci, którym nadano zbiorczą nazwę PHP2Shell oraz identyfikatory CVE-2026-109618 i CVE-2026-109619. Zgodnie z technicznym opisem wady te znajdują się bezpośrednio w wewnętrznej obsłudze błędów krytycznych oraz sytuacji wyczerpania pamięci przez interpreter PHP. Oznacza to, że źródło problemu nie leży we wtyczkach do WordPressa ani w logice uwierzytelniania aplikacji.
Udostępnione przez analityków demonstracje techniczne wykazały możliwość przeprowadzenia ataku typu RCE, czyli zdalnego wykonania kodu bez uprzedniego uwierzytelnienia na popularnych systemach zarządzania treścią, w tym na WordPressie, Drupalu oraz Joomla. Dodatkowo badacze zgłosili możliwość zdalnego odczytu pamięci w stylu błędu Heartbleed w odniesieniu do dowolnej aplikacji opartej na PHP. Raporty te opierają się na wynikach exploitów zgłoszonych przez badaczy i nie oznaczają, że każda instalacja posiada identyczną, natychmiast możliwą do wykorzystania ścieżkę RCE.
Odkrycia dokonano niezależnie w dwóch ośrodkach badawczych. Z jednej strony Ryan Austin z firmy Calif zidentyfikował podatności w ramach programu Patch the Planet prowadzonego przez OpenAI z wykorzystaniem modelu GPT-5.6 Sol. Z drugiej strony zespół firmy Wiz, należącej do Google Cloud, natrafił na te same błędy przy użyciu modelu Gemini 4 Argon, GPT-5.6 Sol oraz własnego narzędzia Wiz Atlas. W proces koordynacji poprawek zaangażowano opiekunów silnika z PHP Foundation, dostawców infrastruktury bezpieczeństwa oraz agencje rządowe. Prace nad przygotowaniem i weryfikacją zmian w silniku trwały około dwóch miesięcy przed upublicznieniem informacji.
Rola modeli sztucznej inteligencji w wykrywaniu luk i zarządzaniu podatnościami
Zastosowanie modeli sztucznej inteligencji w procesie analizy kodu silnika PHP wykroczyło poza standardowe testy syntetyczne. Uczestnicy programu opisali opracowanie działających łańcuchów exploitów, inżynierię poprawek jądra PHP, tworzenie reguł detekcji oraz automatyczną walidację wprowadzanych zmian. OpenAI określiło tę sytuację jako przykład tak zwanego okna obrońcy, w którym zaawansowane modele pozwalają wykryć błąd przed atakującymi, dając zespołom bezpieczeństwa czas na przygotowanie środków zaradczych.
Polityka dostępu do modeli wywołała jednak dyskusję w środowisku analityków. Część badaczy chwaliła inicjatywę Daybreak za umożliwienie pracy nad bezpieczeństwem takich projektów jak PHP, GitLab czy Chrome. Inni komentatorzy zwracali uwagę na ograniczenia nakładane przez firmy konkurencyjne, w tym na wstrzymywanie przez firmę Anthropic szerokiego dostępu do modeli klasy Mythos przez cztery miesiące w celu wzmocnienia zabezpieczeń. Pojawiły się głosy postulujące przyznanie weryfikowanym badaczom pełnego dostępu do najsilniejszych narzędzi przy jednoczesnym intensywnym monitorowaniu ich aktywności, zamiast wprowadzania sztywnych barier podziału na zespoły atakujące i broniące.
Przedstawiciele branży odnotowują rosnącą liczbę zgłoszeń CVE, która według cytowanych danych wzrosła z około 4 000 miesięcznie do 15 000. Wywołało to dyskusję nad tempem pojawiania się nowych luk oraz kosztami weryfikacji kodu. Zwraca się uwagę, że gwałtowny wzrost liczby ujawnianych wad nie jest tożsamy z liczbą udanych włamań, a kluczowym wyzwaniem staje się utwardzanie podstawowej infrastruktury internetowej.
Wyzwania operacyjne, reguły WAF i zalecenia dla administratorów stron
Wdrożenie zabezpieczeń przed oficjalną publikacją poprawki wiązało się z wieloma komplikacjami technicznymi. Firma Cloudflare uruchomiła wstępne reguły w ramach swojej zapory aplikacji webowej (WAF), obejmując nimi wszystkie poziomy kont, w tym użytkowników bezpłatnych. Dyrektor techniczny firmy podkreślił jednak, że reguły te stanowiły wyłącznie środek doraźny osłaniający znane wektory ataków, a załatanie oprogramowania pozostało obowiązkiem operatorów.
Amerykańska agencja NSA wydała zalecenie wzywające do natychmiastowej instalacji aktualizacji po ich udostępnieniu, a w przypadku braku możliwości szybkiego wdrożenia poprawek, do tymczasowego odłączenia podatnych systemów od sieci. Premier Japonii wezwał administratorów środowisk PHP do niezwłocznego łatania zasobów lub izolacji maszyn, co powiązano z wcześniejszą falą incydentów bezpieczeństwa w lokalnych przedsiębiorstwach. Z kolei OpenAI udostępniło repozytorium z narzędziem dla asystenta Codex, mającym pomóc w ocenie stopnia narażenia aplikacji.
Prawidłowa procedura naprawcza wymaga od administratorów wykonania konkretnych kroków:
- Dokładnej inwentaryzacji wszystkich instancji PHP w organizacji, w tym na serwerach zarządzanych, w kontenerach, urządzeniach, procesach zadań w tle oraz w starszych aplikacjach.
- Uzyskania autorytatywnych biuletynów PHP i dystrybucji oraz wdrożenia uwierzytelnionych pakietów poprawek.
- Wdrożenia pakietów oraz zrestartowania lub zastąpienia dotkniętych procesów, a także weryfikacji działającej kompilacji.
- Oddzielnego zbadania dowodów eksploatacji, ponieważ aktualizacja usuwa lukę, ale nie potwierdza, że poświadczenia lub dane nie zostały wcześniej ujawnione.
Nowe modele lokalne, wnioskowanie i zmiany w ekosystemie narzędzi AI
Równolegle z działaniami wokół silnika PHP zaprezentowano nowe rozwiązania w obszarze modeli językowych i infrastruktury serwowania. Zespół Recursive udostępnił na licencji Apache-2.0 model programistyczny Flint oparty na architekturze MoE. Model posiada łącznie 40 miliardów parametrów, z czego 2,5 miliarda przypada na parametry aktywne, a jego okno kontekstu wynosi 262 tysiące tokenów. Według twórców narzędzie wymaga około 24 GB pamięci w środowisku lokalnym LM Studio i osiąga wyniki rzędu 54,9% w teście Terminal-Bench 2.1 oraz 74,2% w SWE-bench Verified. W procesie projektowania brał udział system Eureka Machine, który pomagał w tworzeniu rzadkiej architektury i niskobitowych kerneli.
Firma DeepSeek opublikowała kod źródłowy własnego środowiska DeepInfer, służącego do obsługi wnioskowania na dużą skalę w modelu DeepSeek-V4.1-Flash. Rozwiązanie łączy dekodowanie spekulatywne, dynamiczne zarządzanie fazą wstępnego przetwarzania zapytań (prefill), balansowanie generowania odpowiedzi na podstawie liczby żądań oraz nakładanie szeregowania zadań procesora z pracą układów GPU. Udostępniony raport podaje przepustowość klastra sięgającą 155 bilionów tokenów dziennie przy przychodzie rzędu 38 dolarów na akcelerator za godzinę pracy w godzinach pozaszczytowych, przy czym kwota ta nie uwzględnia kosztów prądu, chłodzenia ani serwerów.
Zmiany objęły również interfejsy programistyczne dostawców chmurowych. Google udostępniło projekt TorchTPU, który pozwala uruchamiać procesy trenowania i serwowania modeli w bibliotece PyTorch na jednostkach TPU. Firma Cohere wprowadziła model Rerank 5 z funkcją Context Focus, która zwraca precyzyjnie ocenione fragmenty tekstu zamiast całych dokumentów, ograniczając zużycie tokenów nawet o 41%. Z kolei Anthropic udostępnił wersję API 2026-10-21, w której usunięto parametry temperature, top_p oraz top_k z endpointu Messages, co wymaga modyfikacji konfiguracji w projektach przechodzących na nowe biblioteki SDK.
