Microsoft lanserar kodnamnet MDASH, en agentisk AI‑skanningslösning, i Azure Government

Microsofts multimodella agentiska skanningssystem för att hitta säkerhetsbrister i programvara, kodnamnet MDASH, har rullats ut till Microsoft Azure Government, meddelade företaget den 8 september 2026, med förhandsåtkomst tillgänglig för utvalda amerikanska myndighetskunder och auktoriserade partners.

En Defender‑funktion i Azure Government

Pressmeddelandet skrevs av Douglas Phillips, president och chef för teknik på Microsoft Specialized Clouds. I Azure Government finns MDASH som en funktion i Microsoft Defender som arbetar med modeller som är tillgängliga inom den FedRAMP‑High‑auktoriserade Microsoft Foundry‑tjänsten. Azure Government är ett separat, isolerat moln som drivs av granskade amerikanska personer och är byggt för att uppfylla efterlevnadskrav för federala, nationella säkerhets‑ samt statliga och lokala myndigheter, inklusive FedRAMP‑High‑auktorisation och Department of War‑ackreditering för kontrollerade och kritiska arbetsbelastningar. Microsoft uppger att upplägget gör att en myndighets källkod och all information som systemet lär sig om den kan förbli inom en redan godkänd gräns för hantering av sådan data.

Microsoft säger att de har använt kodnamnet MDASH på sin egen programvara i flera månader och att kunder inom nationell säkerhet och civila myndigheter redan utforskar dess möjligheter. Enligt meddelandet rangordnar myndigheter sin programvara efter uppdragets betydelse och arbetar systematiskt nerför listan med ett uttalat mål om 100 % kodtäckning.

Hur den agentiska skannern fungerar

Microsoft beskriver MDASH som en agentisk kodskanner som hittar och validerar exploaterbara sårbarheter i källkod. Istället för att jämföra kod mot ett bibliotek av kända mönster, som traditionella skanningsverktyg gör, läser systemet och resonerar om programvaran på samma sätt som en expert‑säkerhetsforskar skulle, och följer hur information flödar genom ett program för att avgöra om en svaghet faktiskt kan utnyttjas. Mer än 100 specialiserade AI‑agenter, som drar nytta av en rad olika modeller, arbetar på samma kodbas, där varje agent är tränad att känna igen en specifik svaghetskategori. Deras fynd vidarebefordras till en andra grupp agenter vars uppgift är att argumentera för och emot huruvida varje misstänkt brist verkligen är nåbar och farlig. Systemet samlar sedan ihop och avduplicerar resultaten och, där det är möjligt, demonstrerar bristen i stället för att bara påstå dess existens, vilket Microsoft karakteriserar som en förfinad och prioriterad lista över sårbarheter.

Microsofts produktdokumentation beskriver en flerstegs‑pipeline: ett Förbered‑steg som rangordnar filer efter risk med hjälp av anrops‑grafanalys och kodkomplexitetsmått; ett Skann‑steg som kör roll‑specifika agenter såsom injektions‑, minnessäkerhets‑ och autentiserings‑bypass‑granskare; ett Validera‑steg som tillämpar förorening‑analys och multimodell‑debatt för att förfina förtroendet och eliminera falska positiva; samt ett Avduplicera‑steg som konsoliderar dubbla fynd. Ett blogginlägg från 12 maj 2026 som först offentligt detaljerade systemet beskrev dessutom ett extra Prova‑steg, som konstruerar och kör trigger‑indata där bug‑klassen tillåter det.

Dokumenterade funktioner inkluderar finfördelad förtroendescore för varje fynd, AI‑genererade kodfixar via defender‑fix‑kommandot i Defender‑CLI, centraliserade resultat i Microsoft Security Exposure Management samt anslutningar för GitHub och Azure DevOps. Dokumentationen anger att MDASH fungerar generiskt över kodbaser och stödjer alla större programmeringsspråk, med särskilt fininställda expert‑agenter som har djup kompetens i C, C++, Java och C#.

Rapporterade resultat och tidigare utveckling

Microsoft uppger att MDASH fick 96,55 på det offentliga CyberGym‑benchmarket för verkliga sårbarheter och har levererat liknande resultat på förstapartskod som validerats mot företagets historiska sårbarhetsfall.

Blogginlägget från 12 maj rapporterade att systemet hittade alla 21 avsiktligt planterade sårbarheter utan några falska positiva i StorageDrive, en privat exempel‑drivrutin som Microsoft använder vid intervjuer med offensiva säkerhetsforskare. Det rapporterade 96 % återkallelse mot 28 bekräftade Microsoft Security Response Center‑fall i Windows‑komponenten clfs.sys och 100 % på sju fall i tcpip.sys, var och en över fem år, samt en poäng på 88,45 % på CyberGyms korpus med 1 507 verkliga sårbarhetsreproduceringsuppgifter, vilket Microsoft sade var den högsta poängen på benchmarkens publika topplista vid den tidpunkten. Samma inlägg angav att systemet hjälpte forskare att hitta 16 nya sårbarheter i Windows‑nätverks‑ och autentiseringsstacken inför Patch Tuesday den 12 maj 2026, inklusive fyra kritiska fjärrkodexekveringsbrister i komponenter som Windows‑kärnans TCP/IP‑stack och IKEv2‑tjänsten. Vid den tidpunkten var systemet i en begränsad privat förhandsvisning med ett litet urval av kunder.

MDASH byggdes av Microsofts Autonomous Code Security‑team, vars medlemmar inkluderar ingenjörer från Team Atlanta, laget som vann DARPA AI Cyber Challenge med ett autonomt cyber‑resoneringssystem som fann och patchade riktiga buggar i öppen‑källkod‑projekt.

Den 13 augusti 2026 introducerade Microsoft MAI‑Cyber‑1‑Flash i MDASH, en kompakt säkerhetsmodell härledd från företagets MAI‑Thinking‑1‑linje, i ett inlägg skrivet av Mustafa Suleyman och Hayete Gallot. Microsoft säger att modellen är avsedd att hantera upp till 90 % av skanningsuppgifterna, med GPT‑5.4 reserverad för de 10 % av uppgifterna som är exceptionellt svåra, och att kombinationen ger 50 % kostnadsbesparing jämfört med Microsofts tidigare bästa modellkombination i MDASH. Företaget rapporterade en 96 % CyberGym‑any‑crash‑score för det kombinerade systemet, med en förtydligande notering om ett mål på 90,4 % any‑of‑score och en slutlig inlämningsscore på 86,3 %. Microsoft säger att modellen utvärderades av deras AI Red Team, testades genom automatiserade och expert‑ledda adversariella övningar och oberoende granskades av en tredje part.

Multimodelldesign och hotramning

Microsoft säger att systemets konstruktion är den avgörande differentieraren: ett system som styr och samordnar vilka modeller som är bäst för en specifik uppgift, vilket möjliggör att nya modeller kan tas i bruk utan ombyggnad, så att allt en myndighet har investerat i nedströms av systemet kan fortsätta användas. Regeringsmeddelandet uppgav att den senaste tillskottet till MAI‑modellfamiljen förväntas halvera kostnaden för en enskild skanning.

Meddelandet placerade lanseringen i kontexten av hotaktörer som investerar i AI‑kapacitet och hävdade att den enda hållbara fördelen för försvarare är tid, vilket innebär gapet mellan när en svaghet kan upptäckas och åtgärdas och innan någon annan hittar den. Organisationer som söker åtkomst uppmanas att kontakta sitt Microsoft‑kontoteam angående MDASH i Azure Government.