Microsoft lanserer kodenavnet MDASH agentbasert AI-skanning til Azure Government

Microsofts fler-modell agentbaserte skanningssystem for å finne sikkerhetsfeil i programvare, kodenavnet MDASH, har blitt distribuert til Microsoft Azure Government, som selskapet kunngjorde 8. september 2026, med forhåndsvisningstilgang tilgjengelig for utvalgte amerikanske regjeringskunder og autoriserte partnere.

En Defender-funksjon i Azure Government

Kunngjøringen ble skrevet av Douglas Phillips, president og chief technology officer i Microsoft Specialized Clouds. I Azure Government er MDASH tilgjengelig som en funksjon i Microsoft Defender som fungerer med modeller som er tilgjengelige innenfor den FedRAMP High‑autoriserte Microsoft Foundry‑tjenesten. Azure Government er en separat, isolert sky som drives av screenede amerikanske personer, bygget for å oppfylle samsvarsforpliktelsene til føderale, nasjonale sikkerhets‑ og statlige og lokale regjeringskunder, inkludert FedRAMP High‑autorisasjon og Department of War‑akkreditering for kontrollerte og kritiske arbeidsbelastninger. Microsoft sa at ordningen gjør at en agents kildekode, og alt systemet lærer om den, forblir innenfor en grense som allerede er godkjent for håndtering av den dataen.

Microsoft sier at de har brukt kodenavnet MDASH på sin egen programvare i flere måneder, og at kunder i nasjonal sikkerhet og sivile etater allerede utforsker funksjonene. Ifølge kunngjøringen rangerer etatene sin programvare etter oppdragets viktighet og arbeider jevnt nedover listen, med et uttalt mål om 100 % kodedekning.

Hvordan den agentbaserte skanneren fungerer

Microsoft beskriver MDASH som en agentbasert kode-skanner som finner og validerer utnyttbare sårbarheter i kildekode. I stedet for å sjekke kode mot et bibliotek av kjente mønstre, som tradisjonelle skanningsverktøy gjør, leser systemet og resonerer om programvaren på samme måte som en ekspert‑sikkerhetsforsker, og følger hvordan informasjon beveger seg gjennom et program for å avgjøre om en svakhet faktisk kan utnyttes. Mer enn 100 spesialiserte AI‑agenter, som trekker på en rekke modeller, arbeider på samme kodebase, hver trent til å gjenkjenne en annen kategori av svakheter. Deres funn sendes videre til en andre gruppe agenter som har som oppgave å argumentere for og imot om hver mistenkt feil er reelt oppnåelig og reelt farlig. Systemet samler deretter og dedupliserer resultatene og, der det er mulig, demonstrerer feilen i stedet for bare å påstå den, og leverer det Microsoft karakteriserer som en raffinert og prioritert liste over sårbarheter.

Microsofts produktdokumentasjon beskriver en flertrinns‑pipeline: en Prepare‑fase som rangerer filer etter risiko ved hjelp av kall‑grafanalyse og kodekompleksitets‑metrikker; en Scan‑fase som kjører rolle‑spesifikke agenter som injeksjons‑, minnesikkerhets‑ og auth‑bypass‑revisorer; en Validate‑fase som anvender forurensningsanalyse og fler‑modell‑debatt for å finjustere tillit og eliminere falske positiver; og en Dedup‑fase som konsoliderer dupliserte funn. Et sikkerhetsblogginnlegg fra 12. mai 2026 som først offentlig detaljert systemet beskrev en ekstra Prove‑fase, som konstruerer og utfører utløsende inndata der feilklassen tillater det.

Dokumenterte funksjoner inkluderer granulær tillits‑vurdering for hvert funn, AI‑genererte kodefikser via defender‑fix‑kommandoen i Defender‑CLI, sentraliserte resultater i Microsoft Security Exposure Management, og koblinger for GitHub og Azure DevOps. Dokumentasjonen oppgir at MDASH opererer generisk på tvers av kodebaser og støtter alle større programmeringsspråk, med spesielt tilpassede ekspert‑agenter som har særlig dyp kompetanse i C, C++, Java og C#.

Rapporterte resultater og tidligere utvikling

Microsoft sier at MDASH oppnådde 96,55 på den offentlige CyberGym‑benchmarken for virkelige sårbarheter og har levert lignende resultater på intern kode validert mot selskapets historiske sårbarhetssaker.

Mai‑12‑innlegget rapporterte at systemet fant alle 21 bevisst innplasserte sårbarheter uten noen falske positiver på StorageDrive, en privat prøve‑driver Microsoft bruker når de intervjuer offensive sikkerhetsforskere. Det rapporterte 96 % tilbakekalling mot 28 bekreftede Microsoft Security Response Center‑saker i Windows‑komponenten clfs.sys og 100 % på syv saker i tcpip.sys, hver over fem år, samt en poengsum på 88,45 % på CyberGyms korpus av 1 507 virkelige sårbarhets‑reproduksjonsoppgaver, noe Microsoft sa var den høyeste poengsummen på benchmarkens publiserte rangliste på den tiden. Det samme innlegget sa at systemet hjalp forskere med å finne 16 nye sårbarheter i Windows‑nettverks‑ og autentiserings‑stakken for Patch Tuesday 12. mai 2026, inkludert fire kritiske fjern‑kode‑kjøringsfeil i komponenter som Windows‑kjernens TCP/IP‑stakk og IKEv2‑tjenesten. På det tidspunktet var systemet i en begrenset privat forhåndsvisning med et lite sett av kunder.

MDASH ble bygget av Microsofts Autonomous Code Security‑team, hvis medlemmer inkluderer ingeniører fra Team Atlanta, laget som vant DARPA AI Cyber Challenge med et autonomt cyber‑resonneringssystem som fant og patchet ekte feil i open‑source‑prosjekter.

Den 13. august 2026 introducerte Microsoft MAI‑Cyber‑1‑Flash i MDASH, en kompakt sikkerhetsmodell avledet fra selskapets MAI‑Thinking‑1‑linje, i et innlegg skrevet av Mustafa Suleyman og Hayete Gallot. Microsoft sier at modellen er designet for å håndtere opptil 90 % av skanneoppgavene, med GPT‑5.4 reservert for de 10 % av de eksepsjonelt vanskelige oppgavene, og at kombinasjonen gir 50 % kostnadsbesparelse sammenlignet med Microsofts beste modellkombinasjon som tidligere ble tilbudt i MDASH. Selskapet rapporterte en 96 % CyberGym any‑crash‑score for det kombinerte systemet, med en presisering som noterte en mål‑any‑of‑score på 90,4 % og en endelig‑innleverings‑score på 86,3 %. Microsoft sier at modellen ble evaluert av sitt AI Red Team, testet gjennom automatiserte og ekspert‑ledede motstands‑øvelser, og uavhengig vurdert av en tredjepart.

Fler‑modell‑design og trusselrammeverk

Microsoft sier at systemdesignen er den viktigste differensiatoren: et system som styrer og koordinerer hvilke modeller som er best for en spesifikk oppgave, slik at det kan ta i bruk nyere modeller etter hvert som de kommer uten å måtte bygges på nytt, og dermed viderefører alt en etat har investert i nedstrøms av systemet. Regjeringskunngjøringen sa at den nyeste tillegg til MAI‑modellfamilien forventes å halvere kostnaden for en individuell skanning.

Kunngjøringen rammet utgivelsen inn rundt trusselaktører som investerer i AI‑kapasiteter, og argumenterte for at den eneste varige fordelen som forsvarere har, er tid, dvs. gapet mellom når en svakhet kan bli funnet og reparert og før noen andre finner den. Organisasjoner som ønsker tilgang, blir bedt om å kontakte sitt Microsoft‑konto‑team om MDASH i Azure Government.