Microsoft Menyebarkan Pemindaian AI Agenik dengan Nama Kode MDASH ke Azure Government

Sistem pemindaian agenik multi-model Microsoft untuk menemukan celah keamanan dalam perangkat lunak, dengan nama kode MDASH, telah diterapkan ke Microsoft Azure Government, perusahaan tersebut mengumumkan pada 8 September 2026, dengan akses pratinjau tersedia untuk pelanggan pemerintah AS terpilih dan mitra yang berwenang.

Fitur Defender di Dalam Azure Government

Pengumuman tersebut ditulis oleh Douglas Phillips, Presiden dan Chief Technology Officer Microsoft Specialized Clouds. Di Azure Government, MDASH tersedia sebagai fitur Microsoft Defender yang bekerja dengan model yang tersedia dalam layanan Microsoft Foundry yang telah disetujui FedRAMP High. Azure Government adalah cloud terpisah dan terisolasi yang dioperasikan oleh orang‑orang AS yang telah disaring, dibangun untuk memenuhi kewajiban kepatuhan pelanggan federal, keamanan nasional, serta pemerintah negara bagian dan lokal, termasuk otorisasi FedRAMP High dan akreditasi Department of War untuk beban kerja yang terkendali dan misi‑kritikal. Microsoft mengatakan pengaturan ini memungkinkan kode sumber sebuah lembaga, dan semua yang dipelajari sistem tentangnya, tetap berada dalam batas yang sudah disetujui untuk menangani data tersebut.

Microsoft mengatakan bahwa mereka telah menggunakan nama kode MDASH pada perangkat lunak mereka sendiri selama berbulan‑bulan, dan bahwa pelanggan di seluruh lembaga keamanan nasional dan sipil sudah mulai menjelajahi kemampuannya. Menurut pengumuman tersebut, lembaga‑lembaga memberi peringkat pada perangkat lunak mereka berdasarkan pentingnya misi dan secara bertahap menuruni daftar tersebut, dengan tujuan yang dinyatakan mencapai cakupan kode 100%.

Cara Kerja Pemindai Agenik

Microsoft menggambarkan MDASH sebagai pemindai kode agenik yang menemukan dan memvalidasi kerentanan yang dapat dieksploitasi dalam kode sumber. Alih‑alih memeriksa kode terhadap perpustakaan pola yang dikenal, seperti yang dilakukan alat pemindaian tradisional, sistem ini membaca dan menalar tentang perangkat lunak sebagaimana peneliti keamanan ahli, mengikuti bagaimana informasi mengalir melalui program untuk menentukan apakah sebuah kelemahan benar‑benar dapat dieksploitasi. Lebih dari 100 agen AI khusus, yang menggunakan berbagai model, bekerja pada tubuh kode yang sama, masing‑masing dilatih untuk mengenali kategori kelemahan yang berbeda. Temuan mereka diteruskan ke kelompok agen kedua yang tugasnya berdebat, mendukung dan menentang, apakah setiap potensi cacat memang dapat dijangkau dan berbahaya. Selanjutnya, rangkaian ini menggabungkan dan menghilangkan duplikasi hasil dan, bila memungkinkan, mendemonstrasikan cacat tersebut alih‑alih sekadar menyatakannya, menghasilkan apa yang Microsoft sebut sebagai daftar kerentanan yang disaring dan diprioritaskan.

Dokumentasi produk Microsoft product documentation menjabarkan alur multistage: tahap Prepare yang memberi peringkat pada berkas berdasarkan risiko menggunakan analisis grafik panggilan dan metrik kompleksitas kode; tahap Scan yang menjalankan agen khusus per peran seperti auditor injeksi, keamanan memori, dan bypass otentikasi; tahap Validate yang menerapkan analisis taint dan debat multi‑model untuk menyempurnakan kepercayaan dan menghilangkan positif palsu; serta tahap Dedup yang mengkonsolidasikan temuan duplikat. Sebuah posting Blog Keamanan 12 Mei 2026 yang pertama kali memaparkan sistem secara publik menjelaskan adanya tahap Prove tambahan, yang membangun dan mengeksekusi input pemicu di mana kelas bug memungkinkan hal tersebut.

Kemampuan yang didokumentasikan mencakup penilaian kepercayaan granular untuk setiap temuan, perbaikan kode yang dihasilkan AI melalui perintah defender fix di Defender CLI, hasil terpusat di Microsoft Security Exposure Management, serta konektor untuk GitHub dan Azure DevOps. Dokumentasi menyatakan bahwa MDASH beroperasi secara umum di seluruh basis kode dan mendukung semua bahasa pemrograman utama, dengan agen ahli yang disetel khusus memiliki keahlian mendalam khususnya dalam C, C++, Java, dan C#.

Hasil yang Dilaporkan dan Pengembangan Sebelumnya

Microsoft mengatakan MDASH memperoleh skor 96,55 pada benchmark publik CyberGym untuk kerentanan dunia nyata dan menghasilkan hasil serupa pada kode internal yang divalidasi terhadap kasus kerentanan historis perusahaan.

Posting 12 Mei melaporkan bahwa rangkaian tersebut menemukan semua 21 kerentanan yang sengaja ditanam tanpa ada positif palsu pada StorageDrive, sebuah driver contoh privat yang digunakan Microsoft saat mewawancarai peneliti keamanan ofensif. Posting tersebut melaporkan recall 96% terhadap 28 kasus yang dikonfirmasi oleh Microsoft Security Response Center pada komponen Windows clfs.sys dan 100% pada tujuh kasus di tcpip.sys, masing‑masing mencakup lima tahun, serta skor 88,45% pada korpus CyberGym yang berisi 1.507 tugas reproduksi kerentanan dunia nyata, yang Microsoft katakan merupakan skor tertinggi pada papan peringkat benchmark yang dipublikasikan saat itu. Posting yang sama menyatakan sistem membantu peneliti menemukan 16 kerentanan baru di seluruh tumpukan jaringan dan otentikasi Windows untuk Patch Tuesday 12 Mei 2026, termasuk empat celah Eksekusi Kode Jarak Jauh Kritis pada komponen seperti tumpukan TCP/IP kernel Windows dan layanan IKEv2. Pada saat itu sistem berada dalam pratinjau privat terbatas dengan sejumlah kecil pelanggan.

MDASH dibangun oleh tim Autonomous Code Security Microsoft, yang anggotanya termasuk insinyur dari Team Atlanta, tim yang memenangkan DARPA AI Cyber Challenge dengan sistem penalaran siber otonom yang menemukan dan memperbaiki bug nyata pada proyek open‑source.

Pada 13 Agustus 2026, Microsoft memperkenalkan MAI‑Cyber‑1‑Flash di dalam MDASH, sebuah model keamanan kompak yang diturunkan dari garis keturunan MAI‑Thinking‑1 perusahaan, dalam sebuah posting yang ditulis oleh Mustafa Suleyman dan Hayete Gallot. Microsoft mengatakan model tersebut dirancang untuk menangani hingga 90% tugas pemindaian, menyisakan GPT‑5.4 untuk 10% tugas yang sangat sulit, dan bahwa kombinasi ini memberikan penghematan biaya 50% dibandingkan kombinasi model terbaik Microsoft yang sebelumnya ditawarkan di MDASH. Perusahaan melaporkan skor any‑crash CyberGym 96% untuk sistem gabungan, dengan klarifikasi mencatat target skor any‑of 90,4% dan skor final‑submission 86,3%. Microsoft mengatakan model tersebut dievaluasi oleh AI Red Team mereka, diuji melalui latihan adversarial otomatis dan dipimpin ahli, serta dinilai secara independen oleh pihak ketiga.

Desain Multi‑Model dan Kerangka Ancaman

Microsoft mengatakan desain rangkaian adalah pembeda utama: sebuah sistem yang mengarahkan dan mengoordinasikan model mana pun yang paling cocok untuk tugas tertentu, memungkinkan adopsi model baru saat mereka muncul tanpa perlu dibangun ulang, sehingga semua investasi sebuah lembaga di hilir sistem dapat diteruskan. Pengumuman pemerintah menyatakan bahwa penambahan terbaru pada keluarga model MAI diperkirakan akan mengurangi biaya pemindaian individu sekitar setengahnya.

Pengumuman tersebut menempatkan rilis ini dalam konteks aktor ancaman yang berinvestasi dalam kemampuan AI, berargumen bahwa satu‑satunya keunggulan tahan lama yang tersedia bagi pembela adalah waktu, yaitu selisih antara saat kelemahan dapat ditemukan dan diperbaiki serta sebelum orang lain menemukannya. Organisasi yang ingin mengakses diarahkan untuk menghubungi tim akun Microsoft mereka mengenai MDASH di Azure Government.