Microsoft implementeert codenaam MDASH agentische AI-scanning in Azure Government

Het multi‑model agentische scansysteem van Microsoft voor het vinden van beveiligingsfouten in software, codenaam MDASH, is uitgerold naar Microsoft Azure Government, het bedrijf annonceerde op 8 september 2026, met preview‑toegang beschikbaar voor geselecteerde Amerikaanse overheidsklanten en geautoriseerde partners.

Een Defender‑functie binnen Azure Government

De aankondiging werd geschreven door Douglas Phillips, President en Chief Technology Officer van Microsoft Specialized Clouds. In Azure Government is MDASH beschikbaar als een functie van Microsoft Defender die werkt met modellen die beschikbaar zijn binnen de FedRAMP High‑geautoriseerde Microsoft Foundry‑service. Azure Government is een afzonderlijke, geïsoleerde cloud die wordt beheerd door gescreende Amerikaanse personen, gebouwd om te voldoen aan de nalevingsverplichtingen van federale, nationale veiligheids- en staats- en lokale overheidsklanten, inclusief FedRAMP High‑autorisatie en accreditatie van het Department of War voor gecontroleerde en missie‑kritieke workloads. Microsoft zei dat de regeling de broncode van een agentschap, en alles wat het systeem ervan leert, binnen een reeds goedgekeurde grens voor het verwerken van die gegevens laat blijven.

Microsoft zei dat het codenaam MDASH al maanden op eigen software gebruikt, en dat klanten uit zowel nationale veiligheids- als civiele agentschappen de mogelijkheden al verkennen. Volgens de aankondiging rangschikken agentschappen hun software op missie‑belang en werken ze gestaag de lijst af, met als doel 100 % code‑dekking.

Hoe de agentische scanner werkt

Microsoft beschrijft MDASH als een agentische code‑scanner die exploiteerbare kwetsbaarheden in broncode opspoort en valideert. In plaats van code te vergelijken met een bibliotheek van bekende patronen, zoals traditionele scan‑tools doen, leest en redeneert het systeem over software op de manier waarop een deskundige beveiligingsonderzoeker zou doen, waarbij het volgt hoe informatie door een programma stroomt om te bepalen of een zwakte daadwerkelijk kan worden uitgebuit. Meer dan 100 gespecialiseerde AI‑agents, die gebruikmaken van diverse modellen, werken aan dezelfde codebasis, elk getraind om een andere categorie zwakte te herkennen. Hun bevindingen gaan naar een tweede groep agents die de zaak beargumenteren, zowel voor als tegen, of elke vermoedelijke fout daadwerkelijk bereikbaar en gevaarlijk is. De harness (samenstellingsmodule) voegt vervolgens de resultaten samen en verwijdert duplicaten en, waar mogelijk, demonstreert de fout in plaats van deze alleen te beweren, waardoor Microsoft een verfijnde en geprioriteerde lijst van kwetsbaarheden levert.

De productdocumentatie van Microsoft beschrijft een meerfasig pijplijn: een Prepare‑fase die bestanden rangschikt op risico met behulp van call‑graph‑analyse en code‑complexiteitsmetriek; een Scan‑fase die rol‑specifieke agents uitvoert, zoals injectie‑, geheugen‑veiligheids‑ en auth‑bypass‑auditors; een Validate‑fase die taint‑analyse en multi‑model debat toepast om het vertrouwen te verfijnen en false positives te elimineren; en een Dedup‑fase die dubbele bevindingen consolideert. Een beveiligingsblog‑post van 12 mei 2026, die het systeem voor het eerst openbaar beschreef, vermeldde een extra Prove‑fase, die trigger‑invoeren construeert en uitvoert wanneer de bug‑klasse dat toelaat.

Gedocumenteerde mogelijkheden omvatten gedetailleerde vertrouwensscore voor elke bevinding, door AI gegenereerde code‑reparaties via het defender‑fix‑commando in de Defender‑CLI, gecentraliseerde resultaten in Microsoft Security Exposure Management, en connectors voor GitHub en Azure DevOps. De documentatie stelt dat MDASH generiek over codebases werkt en alle belangrijke programmeertalen ondersteunt, met speciaal afgestemde expert‑agents die bijzonder diepe expertise hebben in C, C++, Java en C#.

Gerapporteerde resultaten en eerdere ontwikkeling

Microsoft zei dat MDASH 96,55 scoorde op de openbare CyberGym‑benchmark voor real‑world kwetsbaarheden en vergelijkbare resultaten heeft behaald op eigen code die gevalideerd is tegen de historische kwetsbaarheidsgevallen van het bedrijf.

De post van 12 mei meldde dat de harness alle 21 opzettelijk geplaatste kwetsbaarheden vond zonder enige false positives op StorageDrive, een privé‑sample‑driver die Microsoft gebruikt bij het interviewen van offensieve beveiligingsonderzoekers. Het rapporteerde een recall van 96 % tegen 28 bevestigde Microsoft Security Response Center‑gevallen in de Windows‑component clfs.sys en 100 % op zeven gevallen in tcpip.sys, elk over een periode van vijf jaar, en een score van 88,45 % op het corpus van CyberGym met 1.507 real‑world kwetsbaarheidsreproductietaken, wat Microsoft zei de hoogste score op de gepubliceerde ranglijst van de benchmark was op dat moment. Dezelfde post stelde dat het systeem onderzoekers hielp 16 nieuwe kwetsbaarheden te vinden in de Windows‑netwerk‑ en authenticatiestack voor Patch Tuesday op 12 mei 2026, waaronder vier kritieke remote‑code‑execution‑fouten in componenten zoals de Windows‑kernel TCP/IP‑stack en de IKEv2‑service. Op dat moment bevond het systeem zich in een beperkte privé‑preview met een kleine groep klanten.

MDASH is gebouwd door het Autonomous Code Security‑team van Microsoft, waarvan de leden onder andere ingenieurs van Team Atlanta omvatten, het team dat de DARPA AI Cyber Challenge won met een autonoom cyber‑redeneringssysteem dat echte bugs in open‑source‑projecten vond en repareerde.

Op 13 augustus 2026 introduceerde Microsoft MAI‑Cyber‑1‑Flash binnen MDASH, een compact beveiligingsmodel afgeleid van de MAI‑Thinking‑1‑lijn van het bedrijf, in een post geschreven door Mustafa Suleyman en Hayete Gallot. Microsoft zei dat het model is ontworpen om tot 90 % van de scan‑taken af te handelen, waarbij GPT‑5.4 wordt gereserveerd voor de 10 % van uitzonderlijk moeilijke taken, en dat de combinatie een kostenbesparing van 50 % oplevert ten opzichte van de beste modelcombinatie die eerder in MDASH werd aangeboden. Het bedrijf rapporteerde een CyberGym any‑crash‑score van 96 % voor het gecombineerde systeem, met een toelichting dat een target any‑of‑score van 90,4 % en een final‑submission‑score van 86,3 % werd genoteerd. Microsoft zei dat het model werd geëvalueerd door zijn AI Red Team, getest via geautomatiseerde en door experts geleide adversariële oefeningen, en onafhankelijk beoordeeld door een derde partij.

Multi‑modelontwerp en dreigingskadering

Microsoft zei dat het harness‑ontwerp de belangrijkste onderscheidende factor is: een systeem dat de modellen die het beste passen bij een specifieke taak aanwijst en coördineert, waardoor het nieuwe modellen kan adopteren zodra ze beschikbaar komen zonder opnieuw te bouwen, zodat alles waarin een agentschap downstream van het systeem heeft geïnvesteerd, wordt voortgezet. De overheidsaankondiging stelde dat de nieuwste toevoeging aan de MAI‑modelfamilie naar verwachting de kosten van een individuele scan ongeveer halveren zal.

De aankondiging plaatste de release in de context van dreigingsactoren die investeren in AI‑mogelijkheden, en betoogde dat het enige duurzame voordeel voor verdedigers tijd is, oftewel de kloof tussen het moment waarop een zwakte wordt gevonden en gepatcht en het moment voordat iemand anders deze vindt. Organisaties die toegang willen, worden verzocht hun Microsoft‑accountteam te benaderen over MDASH in Azure Government.