Sió-Informatika Rendszerház

A Google DeepMind bemutatta a Gemini 3.5 Flash Cyber nevű, kifejezetten kiberbiztonsági feladatokra fejlesztett mesterségesintelligencia-modellt, amely nagy méretű szoftveres kódbázisokban képes biztonsági hibákat keresni, azok kihasználhatóságát ellenőrizni, majd javítási javaslatokat készíteni.

A Gemini 3.5 Flash alapjaira épülő, célzottan kiberbiztonsági munkára finomhangolt modell a nagy frontier modelleknél gyorsabb és gazdaságosabb megoldást kínálhat a sérülékenységvizsgálatok egyes szakaszaiban.

A Google nem tervezi a modell azonnali, korlátozás nélküli nyilvános bevezetését. A Gemini 3.5 Flash Cyber kezdetben kizárólag kormányzati szervezetek és kiválasztott, megbízható partnerek számára lesz elérhető a Google DeepMind CodeMender nevű autonóm kódbiztonsági rendszerén keresztül.

A fokozatos és ellenőrzött bevezetés oka, hogy a modell képességei kettős felhasználásúak.

Ugyanaz a technológia, amely segíthet a védőknek:

• biztonsági hibákat felismerni;
• sérülékenységeket validálni;
• javításokat készíteni;
• regressziós hibákat keresni,

támadói kézben felhasználható lehet:

• kihasználható sérülékenységek felkutatására;
• proof-of-concept exploitok fejlesztésére;
• védelmi mechanizmusok megkerülésére;
• támadó kódok gyorsítására;
• automatizált sérülékenység-kutatásra.

Korlátozott hozzáférést kap a kiberbiztonsági modell

A Google DeepMind közlése szerint a modellt tudatosan nem általános API-n vagy korlátozás nélküli nyilvános felületen teszik elérhetővé.

A Gemini 3.5 Flash Cyber kezdetben kizárólag a CodeMender rendszer részeként használható.

Ez lehetővé teszi a Google számára, hogy:

• meghatározza a modell által elérhető eszközöket;
• korlátozza a végrehajtható műveleteket;
• jóváhagyott felhasználókhoz kösse a hozzáférést;
• naplózza a tevékenységeket;
• technikai és működési védelmi korlátokat alkalmazzon;
• csökkentse a támadó célú visszaélések lehetőségét.

A pilotprogram a tervek szerint később bővülhet, de a Google egyelőre nem közölt általános megjelenési dátumot.

Nem feltétlenül a legnagyobb modell a leghatékonyabb

A Gemini 3.5 Flash Cyber fejlesztésének egyik alapgondolata, hogy egy összetett sérülékenység felderítéséhez nem mindig az elérhető legnagyobb és legdrágább modell használata a leghatékonyabb.

Egy mélyen elrejtett szoftverhiba feltárásához gyakran sok különálló elemzési lépés szükséges.

Az AI-ügynöknek például:

• több ezer fájlt kell átvizsgálnia;
• adatáramlási útvonalakat kell követnie;
• különböző kódágakat kell tesztelnie;
• fordítókat kell futtatnia;
• debuggert kell használnia;
• fuzzingvizsgálatokat kell indítania;
• statikus elemzőeszközök eredményeit kell értékelnie;
• újra és újra módosítania kell a feltételezéseit.

Egy több millió soros repository vizsgálata során egyetlen modellhívás ritkán elegendő.

Ha minden egyes lépéshez nagy frontier modellt használnának, az elemzés jelentősen drágábbá és lassabbá válhatna.

Egy kisebb modellt többször hívnak meg

A Google ezért egy kisebb, kiberbiztonságra specializált modellt használ ismételten.

A CodeMender képes a Gemini 3.5 Flash Cybert:

• párhuzamos ügynökökben futtatni;
• ugyanazon vizsgálat több szakaszában meghívni;
• eltérő támadási útvonalak feltérképezésére használni;
• külön elemzési eredményeket összesíteni;
• a végén egységes jelentést készíteni.

A CyberGym értékelésben a Google úgy konfigurálta a CodeMendert, hogy egyetlen végleges eredmény előállításához legfeljebb ötször hívhassa meg a modellt.

A vállalat szerint ez a többszörös meghívásos megközelítés a lényegesen nagyobb modellekhez hasonló teljesítményt biztosított, alacsonyabb költség mellett.

Folyamatos kódbiztonsági vizsgálatokra is alkalmas lehet

A kisebb, gyorsabb modell egyik legfontosabb előnye, hogy gyakrabban alkalmazható.

A technológia a jövőben használható lehet:

• minden új commit vizsgálatára;
• pull requestek biztonsági ellenőrzésére;
• kiadás előtti kódreview-ra;
• crash dumpok automatikus elemzésére;
• regressziós sérülékenységek keresésére;
• folyamatos open source ellenőrzésre;
• CI/CD-folyamatokba épített biztonsági vizsgálatra.

Ez lehetővé teheti, hogy a szervezetek ne csak időszakos auditok során használjanak mély AI-alapú elemzést.

A biztonsági ellenőrzés a teljes szoftverfejlesztési életciklus részévé válhat.

A CodeMender nemcsak hibát keres, hanem javítást is készít

A Gemini 3.5 Flash Cyber a Google DeepMind által 2025 októberében bemutatott CodeMender rendszeren belül működik.

A CodeMender célja nem pusztán a sérülékenységek felismerése.

A rendszer feladatai közé tartozik:

• a hiba pontos helyének meghatározása;
• a kihasználhatóság vizsgálata;
• a kiváltó ok feltárása;
• javítási javaslat készítése;
• a módosítás tesztelése;
• regressziós hibák keresése;
• a kód viselkedésének összehasonlítása a módosítás előtt és után.

A hagyományos sérülékenységvizsgálók sok esetben csak veszélyes mintát vagy gyanús kódrészletet jelölnek meg.

A CodeMender ezzel szemben megpróbálja teljes egészében rekonstruálni, hogyan érhető el a hiba, milyen hatással járhat, és milyen módosítás szüntetné meg az alapvető problémát.

Hagyományos biztonsági eszközökkel együtt dolgozik

A CodeMender a nyelvi modellek következtetési képességeit több bevált szoftverbiztonsági technikával kombinálja.

A rendszer használhat:

• statikus kódelemzést;
• dinamikus elemzést;
• fuzzingot;
• differenciális tesztelést;
• debuggert;
• forráskód-navigációs eszközöket;
• SMT-megoldókat;
• build rendszereket;
• automatikus tesztkörnyezeteket.

Az SMT, vagyis satisfiability modulo theories megoldók matematikai módszerekkel segíthetnek annak eldöntésében, hogy egy meghatározott programállapot vagy kódút elérhető-e.

Ez különösen hasznos lehet összetett logikai hibák, határértékproblémák és kihasználhatósági feltételek vizsgálatakor.

Több specializált AI-ügynök dolgozhat egy hibán

A CodeMender alügynökökre bonthatja a vizsgálatot.

Az egyik ügynök:

• a hiba kihasználhatóságát elemzi.

Egy másik:

• javítást generál.

Egy harmadik:

• összehasonlítja az eredeti és a módosított program működését.

Újabb ügynökök:

• teszteket futtathatnak;
• regressziókat kereshetnek;
• alternatív javításokat értékelhetnek;
• a patch minimális hatását vizsgálhatják.

Ez a feladatmegosztás csökkentheti annak veszélyét, hogy az első működőnek tűnő javítást automatikusan helyesnek fogadják el.

Már több tucat open source javítást készített

Amikor a Google bemutatta a CodeMendert, közlése szerint a rendszer már 72 biztonsági javítással járult hozzá nyílt forráskódú projektekhez.

Az érintett repositoryk között több millió soros kódbázisok is szerepeltek.

A Google egyik bemutatott példája a széles körben használt libwebp képfeldolgozó könyvtárhoz kapcsolódott.

A CodeMender nem csupán egy konkrét buffer overflow hibát próbált kijavítani.

Ehelyett fordító által ellenőrzött bounds-safety annotációkat adott a kód egyes részeihez.

Az ilyen megközelítés célja, hogy ne csak egyetlen ismert sérülékenységet kezeljen, hanem a memóriabiztonsági hibák teljes kategóriájának kialakulását nehezítse meg.

Az AI által készített javításokat emberek ellenőrzik

A Google hangsúlyozza, hogy a CodeMender által generált patcheket nem tekinti automatikusan megbízhatónak.

A külső open source projektekhez beküldött javításokat emberi biztonsági kutatók vizsgálják át.

Ez azért szükséges, mert egy látszólag működő patch:

• csak a crash tünetét szüntetheti meg;
• az alapvető hibát változatlanul hagyhatja;
• új sérülékenységet vezethet be;
• megváltoztathatja a legitim működést;
• kompatibilitási problémát okozhat;
• másik kódágban regressziót hozhat létre.

A sérülékenység kijavítása ezért nem tekinthető egyszerű kódgenerálási feladatnak.

55 megerősített hibát talált a V8 motorban

A Google a Gemini 3.5 Flash Cybert a CyberGym benchmark segítségével is értékelte.

A CyberGym több száz, valódi szoftverprojektekből származó sérülékenységet tartalmaz, amelyek ellen AI-ügynökök teljesítménye mérhető.

A vállalat szerint a CodeMender és az új modell kombinációja nagyobb kiberbiztonsági modellekhez hasonló eredményt ért el.

A Google ugyanakkor megjegyezte, hogy egyes összehasonlított eredményeket maguk a konkurens szolgáltatók közöltek, ezért az adatok nem minden esetben tekinthetők teljesen függetlenül standardizáltnak.

A Chrome V8 motorján is tesztelték

A Gemini 3.5 Flash Cyber egyik legrészletesebben bemutatott vizsgálata a V8 JavaScript- és WebAssembly-motorhoz kapcsolódott.

A V8 többek között:

• a Google Chrome-ban;
• más Chromium-alapú böngészőkben;
• számos szerveroldali JavaScript-környezetben

használatos.

Rögzített számú modellhívás mellett a Gemini 3.5 Flash Cyber:

• 55 egyedi, megerősített problémát talált.

Összehasonlításképpen:

• az általános Gemini 3.5 Flash 47 hibát;
• a Claude Opus 4.6 pedig 36 hibát

azonosított a Google értékelése szerint.

Tíz hibát csak a cybermodell talált meg

A Google közlése szerint a Flash Cyber által azonosított problémák közül tízet egyik másik vizsgált modell sem talált meg.

Ez azért fontos, mert a sérülékenységvizsgáló rendszerek könnyen többször azonosíthatják ugyanazon egyszerű hibacsalád különböző változatait.

Egy magas találati szám önmagában nem feltétlenül jelent szélesebb elemzési képességet.

Az egyedi találatok azt jelezhetik, hogy a modell:

• eltérő kódállapotokat vizsgált;
• új végrehajtási útvonalakat ért el;
• kevésbé nyilvánvaló hibákat fedezett fel;
• nem csak a könnyen megtalálható mintákat ismételte meg.

A Google szerint a modell az újabb meghívások során további programútvonalakat és problémákat azonosított.

Az eredmények nem teljesen függetlenek

A Google nem közölte nyilvánosan:

• a teljes benchmarkadatbázist;
• mind az 55 V8-hiba részleteit;
• a hibák pontos súlyosságát;
• azt, hogy mindegyik kap-e CVE-azonosítót;
• a teljes tesztelési környezetet.

Ezért a teljesítményre vonatkozó állítások jelenleg elsősorban a Google saját értékelésére épülnek.

Független kutatók számára az eredmények teljes körű reprodukálása egyelőre nem lehetséges.

A biztonsági korlátozások a benchmarkokat is befolyásolják

A Google megjegyezte, hogy egyes újabb konkurens modellek azért nem szerepeltek bizonyos összehasonlításokban, mert azok biztonsági rendszerei megtagadták a feladat végrehajtását.

Ez fontos módszertani problémát jelent.

Egy kiberbiztonsági modell teljesítményét nemcsak az határozza meg, hogy technikailag mire képes, hanem az is, hogy:

• a védelmi szabályai engedélyezik-e a vizsgálatot;
• a rendszer támadói vagy védelmi kontextusnak értékeli-e a kérést;
• használhat-e exploitfejlesztési eszközöket;
• feldolgozhat-e rosszindulatú kódot.

Egy technikailag erős modell gyenge benchmarkeredményt mutathat, ha gyakran megtagadja a feladatokat.

Megbízható RCE exploitot is létrehozott

A Google Cloud Vulnerability Research csapata saját infrastruktúráján is tesztelte a Gemini 3.5 Flash Cybert.

A vállalat szerint a modell:

• távoli kódfuttatást lehetővé tevő sérülékenységeket talált nyilvános API-kban;
• két órán belül memóriakorrupciós hibát azonosított egy érzékeny production szolgáltatásban;
• teljesen megbízható remote code execution exploitot készített.

A Google állítása szerint az exploit két széles körben használt biztonsági mechanizmust is megkerült:

• az ASLR-t;
• a W^X védelmet.

Mi az az ASLR?

Az Address Space Layout Randomization célja, hogy véletlenszerűen változtassa meg a program egyes komponenseinek memóriacímeit.

Ez megnehezíti a támadók számára annak előrejelzését, hogy:

• hol található egy függvény;
• hol helyezkedik el egy könyvtár;
• melyik címen érhető el egy használható kódrészlet;
• hogyan állítható össze egy stabil exploitlánc.

Az ASLR nem szünteti meg a memóriakorrupciós hibákat, de jelentősen megnehezítheti azok megbízható kihasználását.

Mit jelent a W^X védelem?

A Write XOR Execute elv szerint egy memóriaterület nem lehet egyszerre írható és végrehajtható.

Ez azt akadályozza meg, hogy a támadó:

1. rosszindulatú kódot írjon egy memóriaterületre;
2. majd ugyanazt a területet azonnal végrehajtsa.

A W^X megkerülése azt mutatja, hogy a modell nemcsak egy összeomlást vagy sérült memóriaműveletet fedezett fel.

Képes volt az exploitálás gyakorlati korlátait is figyelembe venni és megbízható támadási útvonalat kialakítani.

Ezért nem adják ki korlátozás nélkül

A megbízható RCE exploit előállítása jól szemlélteti, hogy a modell miért jelent komoly kettős felhasználási kockázatot.

Egy védelmi kutató számára az exploit bizonyíthatja:

• a hiba valódi kihasználhatóságát;
• a sérülékenység súlyosságát;
• a javítás sürgősségét;
• a védelmi mechanizmusok elégtelenségét.

Támadó kézben ugyanez a képesség:

• felgyorsíthatja a zero-day fegyveresítését;
• csökkentheti az exploitfejlesztés szakértelemigényét;
• automatizálhatja a mitigációk megkerülését;
• lerövidítheti a felfedezés és a támadás közötti időt.

Belső Google-rendszerekben már használják

A Google szerint a Gemini 3.5 Flash Cybert a CodeMenderen keresztül már alkalmazzák belső kódbázisok vizsgálatára.

Az érintett területek között szerepelhetnek:

• Chrome;
• Android;
• Google Cloud;
• Google Ads;
• YouTube.

A modell feladata nemcsak a hibák megtalálása, hanem azok kijavításának támogatása is.

A Big Sleep kutatás eredményeire épül

A Gemini 3.5 Flash Cyber egy szélesebb Google-kutatási program része.

A Google DeepMind és a Project Zero korábban létrehozta a Big Sleep nevű AI-ügynököt, amely korábban Project Naptime néven működött.

A Big Sleep célja korábban ismeretlen sérülékenységek automatikus felkutatása.

A Google 2025-ben arról számolt be, hogy a rendszer egy kritikus SQLite-sérülékenységet talált, amelyet fenyegetési szereplők állítólag kihasználásra készítettek elő.

A Google szerint a hibát még a várható támadások előtt sikerült jelenteni és kijavítani.

A vállalat ezt az első olyan dokumentált esetként írta le, amikor egy AI-ügynök közvetlenül segített megakadályozni egy támadók által már ismert sérülékenység kihasználását.

Jelentős mennyiségű sebezhetőségi adat áll a Google rendelkezésére

A Google több nagy sérülékenységi és fuzzingadatbázist is működtet.

Ilyen például:

• az Open Source Vulnerabilities adatbázis;
• az OSS-Fuzz;
• a Project Zero kutatási anyagai;
• a Chrome biztonsági hibajegyei;
• belső production vizsgálatok.

Az OSS-Fuzz több mint egy évtizednyi folyamatos fuzzingadatot tartalmaz széles körben használt open source projektekből.

Ez lehetőséget ad arra, hogy a kiberbiztonsági modellek:

• valódi sérülékenységi mintákból tanuljanak;
• valódi crashadatokat elemezzenek;
• ismert javításokat vizsgáljanak;
• nagy és összetett kódbázisokon dolgozzanak;
• a biztonsági mérnökök által használt eszközökkel gyakoroljanak.

A Google jelentős saját tesztkörnyezeti előnnyel rendelkezik

A Google egyszerre rendelkezik:

• nagyméretű production szoftverekkel;
• több évtizedes biztonsági kutatási tapasztalattal;
• jelentős sérülékenységi adatbázisokkal;
• saját böngészőmotorral;
• operációs rendszerrel;
• cloud infrastruktúrával;
• fuzzingrendszerekkel.

Ez rendkívül erős kutatási és értékelési környezetet biztosít.

Ugyanakkor azt is jelenti, hogy a legerősebb teljesítményállítások egy része olyan belső rendszereken alapul, amelyekhez külső kutatók nem férnek hozzá.

A kontrollált kiadás a védelem és a visszaélés közötti egyensúlyt keresi

A Google a Gemini 3.5 Flash Cyber bevezetésével egy köztes modellt választott.

A technológiát:

• nem tartja kizárólag belső használatban;
• de nem is adja ki szabadon.

A kormányzatok és megbízható partnerek hozzáférést kaphatnak, de kizárólag ellenőrzött CodeMender-környezetben.

Ez lehetővé teheti a komoly védelmi kutatást anélkül, hogy a teljes támadói képesség nyilvános API-n keresztül elérhetővé válna.

A felhasználói korlátozás hatékonyabb lehet a puszta promptszűrésnél

A kiberbiztonsági munka gyakran olyan feladatokat tartalmaz, amelyek támadói tevékenységnek tűnhetnek.

Egy legitim kutatónak szüksége lehet arra, hogy:

• malware-t elemezzen;
• exploitot készítsen;
• sérülékenységet reprodukáljon;
• mitigációt kerüljön meg;
• memóriakorrupciót vizsgáljon;
• támadási láncot modellezzen.

Egy kizárólag promptalapú biztonsági rendszer nehezen tudja megkülönböztetni a legitim kutatót a támadótól.

A Google ezért nemcsak a kérések tartalmát szűri, hanem:

• a felhasználók körét;
• a futtatási környezetet;
• az engedélyezett workflow-kat;
• az elérhető eszközöket;
• a végrehajtható műveleteket

is korlátozza.

A Wiz is részt vesz a korai tesztelésben

A korai tesztelők között szerepel a Wiz cloudbiztonsági vállalat és a Google Cloud CISO Security Engineering szervezete.

A Google szerint mindkét résztvevő jelentős képességjavulást tapasztalt az általános Gemini 3.5 Flash modellhez képest.

Részletes, független harmadik fél által készített teszteredményeket azonban egyelőre nem publikáltak.

Bizonyos képességek vállalati ügyfelekhez is eljutnak

Bár maga a Gemini 3.5 Flash Cyber korlátozott hozzáférésű marad, a CodeMender egyes alapvető képességei szélesebb vállalati körben is megjelenhetnek.

A Google a Gemini Enterprise Agent Platformon keresztül általánosan elérhető Gemini-modellekbe is beépít AI-alapú:

• kódelemzési;
• biztonsági vizsgálati;
• hibafeltárási;
• javítási

funkciókat.

Ez azonban nem jelenti azt, hogy a vállalati ügyfelek automatikusan megkapják a specializált cybermodell teljes képességét.

Egyelőre nincs nyilvános ár és általános megjelenési dátum

A Google nem közölte:

• mikor válhat szélesebb körben elérhetővé a Flash Cyber;
• pontosan milyen feltételekkel lehet csatlakozni a pilothoz;
• milyen árazást alkalmaznak;
• lesz-e valaha általános API-hozzáférés;
• milyen országok vagy szektorok kaphatnak elsőbbséget.

A modell bejelentése a Gemini 3.6 Flash és a Gemini 3.5 Flash-Lite kiadásával együtt történt.

Ezek általánosabb célú modellek, amelyek:

• kódolásra;
• tudásmunkára;
• multimodális elemzésre;
• nagy volumenű agentic feladatokra

készültek.

Az AI egyszerre gyorsíthatja a hibakeresést és a javítást

A Gemini 3.5 Flash Cyber azt a változást jelzi, amelynek során az AI-kódasszisztensekből egyre inkább autonóm biztonsági ügynökök válnak.

A hagyományos asszisztens:

• kódrészletet javasol;
• dokumentációt magyaráz;
• segít egy függvény megírásában.

Egy fejlettebb biztonsági ügynök ezzel szemben:

• teljes repositoryt elemez;
• eszközöket futtat;
• sérülékenységet reprodukál;
• exploitálhatóságot ellenőriz;
• javítást készít;
• teszteket hajt végre;
• patchjavaslatot nyújt be.

Jelentősen csökkenhet a biztonsági csapatok terhelése

A fejlesztői és open source projektek gyakran több hibajelzést kapnak, mint amennyit megfelelően ki tudnak vizsgálni.

A hagyományos scannerek:

• sok fals pozitív eredményt adhatnak;
• kevés kontextust biztosíthatnak;
• nem mindig jelzik a kihasználhatóságot;
• nem készítenek használható javítást.

Egy jól működő AI-ügynök segíthet:

• reprodukálni a hibát;
• meghatározni a biztonsági hatást;
• rangsorolni a kockázatot;
• javítást generálni;
• automatikus teszteket készíteni;
• dokumentálni az eredményt.

A gyorsabb felfedezés nem jelent automatikusan gyorsabb javítást

Az AI több sérülékenységet találhat, mint amennyit a fejlesztői csapatok képesek kezelni.

A javításhoz továbbra is szükséges:

• emberi validálás;
• felelős közzététel;
• fejlesztői koordináció;
• tesztelés;
• verziókiadás;
• frissítések terítése;
• kihasználás monitorozása.

Ha az AI tömegesen generál gyenge minőségű vagy bizonytalan találatokat, az túlterhelheti a karbantartókat.

Ezért a találatok minősége, egyedisége és javíthatósága fontosabb lehet a puszta mennyiségnél.

Az autonóm javítás felelősségi kérdéseket is felvet

Továbbra sem egyértelmű, ki viseli a felelősséget, ha egy autonóm biztonsági ügynök:

• hibás javítást készít;
• új sérülékenységet vezet be;
• működési zavart okoz;
• érzékeny forráskódot tesz elérhetővé;
• production rendszert terhel túl;
• tévesen minősít egy hibát kritikusnak;
• nem vesz észre egy fontos regressziót.

A Google jelenlegi megközelítése ezért több ellenőrzési réteget alkalmaz:

• korlátozott hozzáférés;
• automatizált validáció;
• emberi felülvizsgálat;
• ellenőrzött eszközhasználat;
• fokozatos bevezetés.

Összegzés

A Google DeepMind Gemini 3.5 Flash Cyber néven új, kiberbiztonsági feladatokra specializált AI-modellt mutatott be.

A rendszer célja, hogy nagy szoftveres kódbázisokban:

• sérülékenységeket keressen;
• ellenőrizze azok kihasználhatóságát;
• javításokat generáljon;
• regressziós hibákat vizsgáljon;
• a patch megfelelő működését tesztelje.

A modell a CodeMender autonóm kódbiztonsági ügynökben működik, amely nyelvi modelleket, fuzzingot, statikus és dinamikus elemzést, debuggereket és SMT-megoldókat kombinál.

A Google szerint a Flash Cyber 55 egyedi, megerősített hibát talált a V8 motorban, és belső teszten megbízható távoli kódfuttatási exploitot is létrehozott, amely az ASLR és a W^X védelmet egyaránt megkerülte.

Ezek a képességek jelentős előnyt kínálhatnak a védekező csapatok számára, ugyanakkor komoly támadói visszaélési lehetőséget is teremtenek.

Ezért a modell kezdetben csak kormányzatok és kiválasztott partnerek számára, ellenőrzött CodeMender-környezetben lesz elérhető.

A Gemini 3.5 Flash Cyber jól mutatja, hogy az AI-alapú szoftverbiztonság egyre inkább túllép az egyszerű kódelemzésen.

Az új generációs rendszerek már teljes sérülékenységi életciklusokat kezelhetnek a felismeréstől és validálástól egészen a javítás elkészítéséig.

A technológia valódi értékét azonban az határozza majd meg, hogy mennyire pontosan, biztonságosan és emberi ellenőrzés mellett alkalmazható nagy méretű, valós szoftverrendszerekben.