Microsoft lancerer kodeordet MDASH agentbaseret AI-scanning til Azure Government

Microsofts multi‑model agentbaserede scanning‑system til at finde sikkerhedshuller i software, kodeordet MDASH, er blevet implementeret i Microsoft Azure Government, som virksomheden annoncerede den 8. september 2026, med preview‑adgang tilgængelig for udvalgte amerikanske regeringskunder og autoriserede partnere.

En Defender-funktion i Azure Government

Meddelelsen blev skrevet af Douglas Phillips, præsident og chief technology officer for Microsoft Specialized Clouds. I Azure Government er MDASH tilgængelig som en funktion i Microsoft Defender, der arbejder med modeller, der er tilgængelige inden for den FedRAMP High‑autoriserede Microsoft Foundry‑tjeneste. Azure Government er en separat, isoleret sky, der drives af screenede amerikanske personer, bygget til at opfylde overholdelsesforpligtelser for føderale, nationale sikkerheds‑ samt statslige og lokale regeringskunder, herunder FedRAMP High‑autorisation og Department of War‑akkreditering for kontrollerede og mission‑kritiske arbejdsbelastninger. Microsoft sagde, at ordningen gør det muligt for en agents kode og alt hvad systemet lærer om den, at forblive inden for en grænse, der allerede er godkendt til håndtering af disse data.

Microsoft sagde, at de har brugt kodeordet MDASH på deres egen software i flere måneder, og at kunder på tværs af nationale sikkerheds‑ og civile agenturer allerede udforsker dets kapaciteter. Ifølge meddelelsen rangerer agenturer deres software efter missionens betydning og arbejder systematisk ned gennem listen med et erklæret mål om 100 % kode‑dækning.

Hvordan den agentbaserede scanner fungerer

Microsoft beskriver MDASH som en agentbaseret kode‑scanner, der finder og bekræfter udnyttelige sårbarheder i kildekode. I stedet for at sammenligne kode med et bibliotek af kendte mønstre, som traditionelle scanning‑værktøjer gør, læser systemet og resonerer om softwaren på samme måde som en ekspert‑sikkerhedsforsker, ved at følge hvordan information bevæger sig gennem et program for at afgøre, om en svaghed faktisk kan udnyttes. Mere end 100 specialiserede AI‑agenter, der trækker på en række modeller, arbejder på den samme kodebase, hver trænet til at genkende en anden kategori af svaghed. Deres fund sendes videre til en anden gruppe agenter, hvis opgave er at argumentere for og imod, om hver mistænkt fejl faktisk er tilgængelig og farlig. Systemet samler derefter og deduplikerer resultaterne og, hvor det er muligt, demonstrerer fejlen i stedet for blot at påstå den, og leverer det Microsoft karakteriserer som en raffineret og prioriteret liste over sårbarheder.

Microsofts produktdokumentation beskriver en flertrins‑pipeline: et Forberedelses‑stadie, der rangerer filer efter risiko ved hjælp af call‑graph‑analyse og kodekompleksitets‑metrik; et Scan‑stadie, der kører rolle‑specifikke agenter såsom injektions‑, hukommelses‑sikkerheds‑ og auth‑bypass‑auditører; et Validerings‑stadie, der anvender forurening‑analyse og multi‑model‑debat for at forfine tilliden og fjerne falske positiver; og et Dedup‑stadie, der konsoliderer duplikerede fund. Et blogindlæg fra 12. maj 2026, der første gang offentligt detaljerede systemet, beskrev et ekstra Prove‑stadie, som konstruerer og udfører udløsende input, hvor fejlklassen tillader det.

Dokumenterede funktioner omfatter granulær tillidsscore for hvert fund, AI‑genererede kode‑rettelser via defender‑fix‑kommandoen i Defender‑CLI, centraliserede resultater i Microsoft Security Exposure Management og forbindelser til GitHub og Azure DevOps. Dokumentationen angiver, at MDASH opererer på tværs af kodebaser generisk og understøtter alle større programmeringssprog, med særligt afstemte ekspert‑agenter, der har dyb ekspertise i C, C++, Java og C#.

Rapporterede resultater og tidligere udvikling

Microsoft sagde, at MDASH opnåede en score på 96,55 på den offentlige CyberGym‑benchmark for virkelige sårbarheder og har leveret lignende resultater på første‑parts kode, der er valideret mod virksomhedens historiske sårbarhedssager.

Blogindlægget fra 12. maj rapporterede, at systemet fandt alle 21 bevidst indplantede sårbarheder uden falske positiver på StorageDrive, en privat prøve‑driver, som Microsoft bruger, når de interviewer offensive sikkerhedsforskere. Det rapporterede 96 % genkaldelse mod 28 bekræftede Microsoft Security Response Center‑sager i clfs.sys‑Windows‑komponenten og 100 % på syv sager i tcpip.sys, hver strakte sig over fem år, samt en score på 88,45 % på CyberGyms korpus af 1.507 virkelige sårbarheds‑reproducerings‑opgaver, hvilket Microsoft sagde var den højeste score på benchmarkens offentlige leaderboard på det tidspunkt. Det samme indlæg sagde, at systemet hjalp forskere med at finde 16 nye sårbarheder i Windows‑netværks‑ og autentificerings‑stakken til Patch Tuesday den 12. maj 2026, herunder fire kritiske fjern‑eksekverings‑fejl i komponenter som Windows‑kernel‑TCP/IP‑stakken og IKEv2‑tjenesten. På det tidspunkt var systemet i en begrænset privat preview med et lille sæt af kunder.

MDASH blev bygget af Microsofts Autonomous Code Security‑team, hvis medlemmer inkluderer ingeniører fra Team Atlanta, holdet der vandt DARPA AI Cyber Challenge med et autonomt cyber‑resoneringssystem, som fandt og lappede rigtige fejl i open‑source‑projekter.

Den 13. august 2026 introducerede Microsoft MAI‑Cyber‑1‑Flash i MDASH, en kompakt sikkerhedsmodel afledt af virksomhedens MAI‑Thinking‑1‑linje, i et indlæg skrevet af Mustafa Suleyman og Hayete Gallot. Microsoft sagde, at modellen er designet til at håndtere op til 90 % af scanning‑opgaverne, mens GPT‑5.4 reserveres til de 10 % af ekstraordinært svære opgaver, og at kombinationen leverer en 50 % omkostningsbesparelse sammenlignet med Microsofts bedste modelkombination, der tidligere blev tilbudt i MDASH. Virksomheden rapporterede en 96 % CyberGym any‑crash‑score for det samlede system, med en afklaring der noterede en mål‑any‑of‑score på 90,4 % og en endelig‑indsendelses‑score på 86,3 %. Microsoft sagde, at modellen blev evalueret af deres AI Red Team, testet gennem automatiserede og ekspert‑ledede modstandsøvelser, og uafhængigt vurderet af en tredjepart.

Multi‑model‑design og trusselsramning

Microsoft sagde, at systemets design er den afgørende differentieringsfaktor: et system, der styrer og koordinerer de modeller, der er bedst til en given opgave, så det kan adoptere nye modeller, efterhånden som de kommer, uden at skulle genopbygges, så alt hvad en agentur har investeret nedstrøms af systemet videreføres. Regerings‑meddelelsen sagde, at den nyeste tilføjelse til MAI‑model‑familien forventes at halvere omkostningerne ved en individuel scanning.

Meddelelsen indrammede udgivelsen omkring trusselsaktører, der investerer i AI‑kapaciteter, og argumenterede for, at den eneste holdbare fordel, som forsvarere har, er tid, dvs. forskellen mellem hvornår en svaghed kan findes og patches, og før en anden finder den. Organisationer, der ønsker adgang, henvises til at kontakte deres Microsoft‑konto‑team om MDASH i Azure Government.