ඉතිහාසයම පුරා ගේම් ලෝකයෙහි පුරාණ ගාඩි Carmageddon එකේ ගාඩි ගොනු රහසක් සොයා ගැනීමට, OpenAIගේ Claude AI සමඟ අලුත් පරීක්ෂණයක් සිදු කරන ලදී. 1997 දී නිකුත් වූ මුල් සංස්කරණයේ වාහන ගුණාංග (බර, ඉහල වේගය, සස්පෙන්ශන්) සියල්ලම ගොනු වල රහස්කරණය කර තිබුණා. ඒ නිසා නව සංස්කරණයක් එළිදැක්වීමට පෙර, පරණ වාහන තොරතුරු යාවත්කාලීන කර ගැනීම අභියෝගයක් විය.
පළමුවෙන්ම ලේඛකයා Claude වෙත ගොනු ලබාදී, ඒවායේ සරල XOR, වාරික විශ්ලේෂණය වැනි පාරම්පරික ක්රම භාවිතා කර බලන්න කියා ඉල්ලුවා. එය අසාර්ථක වුනා. ගොනු 16-බයිට් යතුරක්, %16 දිගින් ආරම්භ වන ඉන්ඩෙක්ස්, 7ක් එකතු කිරීම, ටැබ් අක්ෂරය 0x9F ලෙස මාරු කිරීම, සහ // අදහස් පේළියේ පටන් ගන්නා දෙවන යතුර වැනි සංකීර්ණ රහස්කරණයක් තිබුණා. මෙවැනි තොරතුරු බයිට් මට්ටමේ පමණක් බැලීමෙන් හඳුනාගත නොහැකි වුණා.
Claude සමඟ ප්රශ්නය වෙනස් කර "ඇත්තේ කොහෙද?" කියා අසූරුවක් කරා. එවිට Claude, dethrace නමැති ගේම් රිපොසිටරිය තුළ EncodeLine ක්රියාකාරීත්වය සොයා ගෙන, එය C කේතයෙන් JavaScript වෙත පරිවර්තනය කළා. එය පසුපසට ගොනු වල අන්තර්ගතය බිඳ දමා, 0.01 ලෙස GENERAL.TXT ගොනුවේ අගය බලාගෙන, බිග්‑එන්ඩියන් (big‑endian) භාවිතා කළ යුතු බව තීරණය කළා. එම “known value” එකක් නොතිබුනොත්, බහු විකල්ප අතර තේරීම අසීරු වුණා.
අවසන් වශයෙන් 41 වාහන සියල්ලම විකේත කර, පේළි අංක අනුව අගයන් කියවීමේදී අසමත් වීම හඳුනා ගත්තා. වාහනවල ඉහල වේගය 4km/h, ගියර් ගණන 200 වැනි අමුතු අගයන් පෙනී යන අතර, ගොනු තුනේ (v2, v3, v4) විවිධ සංස්කරණවල ක්ෂේත්ර ස්ථාන වෙනස් වීම මෙයට හේතුව වුණා. ප්රතිකාරයක් ලෙස, අදහස් පේළි (// mass in tonnes, // top speed etc.) භාවිතා කර, ඒ අගයන් සෘජු ලෙස සොයා ගැනීමට කේතය වෙනස් කළා.
ශ්රී ලංකාවට ඇති වැදගත්කම
මෙම පරීක්ෂණය ශ්රී ලංකාවේ තාක්ෂණික පරිසරයට කිහිපයක් වැදගත් කරයි:
- ඉගෙනුම් අවස්ථා: ගේම් රීවර්ස් ඉංජිනේරින්, රහස්කරණ විග්රහය, endianess වැනි සංකල්පයන් ප්රායෝගික උදාහරණයක් ලෙස භාවිතා කළ හැක.
- AI සහයෝගිතාව: Claude වැනි LLM ගොනු විග්රහය, කේත පරිවර්තනය, හා බග් සෙවීමේදී වේගවත් සහ කාර්යක්ෂම උපකරණයක් බව පෙනේ.
- ව්යාපාරික ප්රයෝජන: පරණ සොෆ්ට්වේයාන් යාවත්කාලීන කිරීම, මොඩ් කරගැනීම හෝ නව ගේම් නිර්මාණය සඳහා රහස්කරණ තාක්ෂණය අවබෝධ කර ගැනීම, දේශීය ගේම් සංවර්ධනයේ තරඟශීලීතාව වැඩි කරයි.
ඉදිරියේදී, AI‑උපකරණයන් සමඟ කේත විග්රහය, සයිබර් ආරක්ෂාව, සහ මෘදුකාංග සංවර්ධනයේ නව දෘශ්යකෝණයක් ගොඩනැගීමට හැකියාව ඇත.
මෙම පර්යේෂණයෙන් ලැබුණු ප්රධාන පාඩම නම්, “known plaintext” එකක් (0.01) සොයා ගැනීම, endianess තීරණය කිරීමේදී අතිශය වැදගත් බවයි. එවැනි “ඇස්තමේන්තු” නොමැතිව, LLM එකේ පුරාවෘත්ත පිළිතුරු වැරදි විය හැක.
