Microsoft внедряет сканирование агентного ИИ под кодовым названием MDASH в Azure Government

Много‑модельная агентная система сканирования Microsoft для обнаружения уязвимостей в программном обеспечении, под кодовым названием MDASH, была развернута в Microsoft Azure Government, о чём компания сообщила 8 сентября 2026 года, предоставив предварительный доступ выбранным клиентам правительства США и уполномоченным партнёрам.

Функция Defender в Azure Government

Объявление подготовил Дуглас Филлипс, президент и главный технологический директор подразделения Microsoft Specialized Clouds. В Azure Government MDASH доступен как функция Microsoft Defender, работающая с моделями, доступными в сервисе Microsoft Foundry, одобренном по FedRAMP High. Azure Government представляет собой отдельное изолированное облако, управляемое проверенными гражданами США, созданное для соблюдения требований соответствия федеральных, национальных, а также государственных и местных заказчиков, включая авторизацию FedRAMP High и аккредитацию Министерства обороны для контролируемых и критически важных рабочих нагрузок. Microsoft заявила, что такой подход позволяет коду агентства и всей информации, которую система о нём собирает, оставаться в границе, уже одобренной для обработки этих данных.

Microsoft сообщила, что использует кодовое название MDASH в собственном программном обеспечении уже несколько месяцев, а заказчики из национальной безопасности и гражданских агентств уже исследуют его возможности. Согласно объявлению, агентства ранжируют своё программное обеспечение по важности миссии и последовательно работают над списком, ставя перед собой цель обеспечить 100 % покрытие кода.

Как работает агентный сканер

Microsoft описывает MDASH как агентный сканер кода, который обнаруживает и проверяет эксплуатируемые уязвимости в исходном коде. Вместо сравнения кода с библиотекой известных шаблонов, как делают традиционные сканеры, система читает и рассуждает о программном обеспечении так, как это сделал бы опытный исследователь‑безопасник, прослеживая поток информации в программе, чтобы определить, может ли слабое место действительно быть использовано. Более 100 специализированных ИИ‑агентов, использующих различные модели, работают над одним и тем же кодом, каждый обучен распознавать определённую категорию уязвимостей. Их результаты передаются второй группе агентов, задача которой — аргументировать за и против того, действительно ли каждый подозреваемый дефект достижим и опасен. Затем механизм объединяет и удаляет дубликаты результатов и, где это возможно, демонстрирует уязвимость, а не просто заявляет о ней, предоставляя то, что Microsoft характеризует как уточнённый и приоритизированный список уязвимостей.

Документация Microsoft продукта описывает многоэтапный конвейер: этап Prepare, который ранжирует файлы по риску с помощью анализа графа вызовов и метрик сложности кода; этап Scan, запускающий специализированных агентов, таких как аудиторы инъекций, безопасности памяти и обхода аутентификации; этап Validate, применяющий анализ загрязнения (taint analysis) и многомодельные дебаты для уточнения уверенности и устранения ложных срабатываний; и этап Dedup, консолидирующий дублирующие находки. Пост в блоге безопасности от 12 мая 2026 года, впервые публично раскрывающий систему, описывает дополнительный этап Prove, который конструирует и исполняет вводные данные, вызывающие ошибку, если класс багов это позволяет.

В документации указаны возможности, включая детализированную оценку уверенности для каждой находки, автоматически генерируемые исправления кода с помощью команды defender fix в Defender CLI, централизованные результаты в Microsoft Security Exposure Management и коннекторы для GitHub и Azure DevOps. Документ также отмечает, что MDASH работает с различными кодовыми базами и поддерживает все основные языки программирования, при этом специально настроенные эксперты‑агенты обладают особенно глубокой экспертизой в C, C++, Java и C#.

Сообщённые результаты и предшествующая разработка

Microsoft заявила, что MDASH набрал 96,55 балла в публичном бенчмарке CyberGym, основанном на реальных уязвимостях, и продемонстрировал аналогичные результаты на собственном коде, проверенном в соответствии с историческими случаями уязвимостей компании.

Пост от 12 мая сообщил, что механизм обнаружил все 21 преднамеренно внедрённую уязвимость без единого ложного срабатывания в драйвере StorageDrive, частном образце, который Microsoft использует при интервьюировании исследователей атакующего характера. Было зафиксировано 96 % полноту обнаружения по 28 подтверждённым случаям Microsoft Security Response Center в компоненте clfs.sys Windows и 100 % по семи случаям в tcpip.sys, охватывающим пять лет, а также 88,45 % балл по корпусу CyberGym, содержащему 1 507 задач воспроизведения реальных уязвимостей — по заявлению Microsoft, это был наивысший показатель в опубликованном рейтинге на момент публикации. Тот же пост отметил, что система помогла исследователям найти 16 новых уязвимостей в стекe сетевых и аутентификационных компонентов Windows для Patch Tuesday 12 мая 2026, включая четыре критических уязвимости удалённого выполнения кода в таких компонентах, как стек TCP/IP ядра Windows и сервис IKEv2. На тот момент система находилась в ограниченном частном предварительном просмотре с небольшим набором заказчиков.

MDASH был создан командой Autonomous Code Security от Microsoft, в состав которой входят инженеры из Team Atlanta — команды, победившей в DARPA AI Cyber Challenge с автономной системой кибер‑рассуждения, способной находить и исправлять реальные баги в проектах с открытым исходным кодом.

13 августа 2026 года Microsoft представила MAI‑Cyber‑1‑Flash внутри MDASH, компактную модель безопасности, происходящую из семейства MAI‑Thinking‑1, в посте, написанном Мустафой Сулейманом и Хайетой Галлото. Microsoft заявила, что модель предназначена для выполнения до 90 % задач сканирования, оставляя GPT‑5.4 для 10 % исключительно сложных задач, а комбинация обеспечивает экономию затрат на 50 % по сравнению с лучшей модельной комбинацией, ранее предлагавшейся в MDASH. Компания сообщила о 96 % балле any‑crash в CyberGym для комбинированной системы, уточнив, что целевой показатель any‑of составил 90,4 %, а окончательный показатель submission — 86,3 %. Microsoft также отметила, что модель была оценена её AI Red Team, протестирована в автоматизированных и экспертных адверсариальных упражнениях и независимо проверена третьей стороной.

Мульти‑модельный дизайн и формирование угроз

Microsoft подчеркнула, что ключевым отличием является дизайн механизма: система направляет и координирует те модели, которые лучше всего подходят для конкретной задачи, позволяя ей принимать новые модели по мере их появления без необходимости полной перестройки, так что всё, во что инвестирует агентство ниже по цепочке, сохраняет свою ценность. В правительственном объявлении также указали, что новейшее дополнение к семейству моделей MAI ожидается сократить стоимость отдельного сканирования примерно вдвое.

Объявление позиционировало выпуск в контексте того, что злоумышленники вкладывают ресурсы в возможности ИИ, утверждая, что единственным прочным преимуществом защитников является время — разница между тем, когда уязвимость обнаруживается и устраняется, и тем, когда её обнаружит кто‑то другой. Организации, желающие получить доступ, направляются к своей команде аккаунтов Microsoft для получения информации о MDASH в Azure Government.