Microsoft 将代号 MDASH 的主动 AI 扫描部署至 Azure Government

Microsoft 用于发现软件安全缺陷的多模型主动扫描系统，代号 MDASH，已部署到 Microsoft Azure Government。该公司于 2026 年 9 月 8 日宣布，预览访问面向部分美国政府客户和授权合作伙伴开放。

Azure Government 中的 Defender 功能

该公告由 Microsoft Specialized Clouds 的总裁兼首席技术官 Douglas Phillips 撰写。在 Azure Government 中，MDASH 作为 Microsoft Defender 的一项功能提供，使用在 FedRAMP High 授权的 Microsoft Foundry 服务内可用的模型。Azure Government 是一个由经过审查的美国人员运营的独立云，旨在满足联邦、国家安全以及州和地方政府客户的合规要求，包括 FedRAMP High 授权和国防部（Department of War）对受控和关键任务工作负载的认证。Microsoft 表示，此安排使得机构的源代码及系统对其所学的全部信息都能够保留在已获批准用于处理该数据的边界内。

Microsoft 表示，已在自家软件上使用代号 MDASH 数月，且国家安全和民用机构的客户已在探索其功能。公告称，各机构正按任务重要性对软件进行排序，并稳步推进，目标是实现 100% 的代码覆盖率。

主动扫描器的工作原理

Microsoft 将 MDASH 描述为一种主动代码扫描器，能够发现并验证源代码中的可利用漏洞。与传统扫描工具通过已知模式库检查代码不同，该系统像专业安全研究员一样读取并推理软件，跟踪信息在程序中的流动，以判断弱点是否真的可以被利用。超过 100 个专门的 AI 代理，基于多种模型，对同一代码库进行工作，每个代理都被训练以识别不同类别的弱点。它们的发现随后交给第二组代理，这些代理的任务是正反两方面论证每个疑似缺陷是否真正可达且真正危险。随后，系统将结果合并去重，并在可能的情况下演示该缺陷，而非仅仅声明，从而提供 Microsoft 所称的精炼且已排序的漏洞列表。

Microsoft 的产品文档阐述了一个多阶段流水线:准备阶段通过调用图分析和代码复杂度指标对文件进行风险排序；扫描阶段运行特定角色的代理，如注入、内存安全和身份验证绕过审计员；验证阶段采用污点分析和多模型辩论来细化置信度并消除误报；去重阶段合并重复的发现。2026 年 5 月 12 日的安全博客文章首次公开详细说明该系统，提出了额外的“证明”阶段，在该阶段构建并执行触发输入，以适用于相应的漏洞类型。

文档中列出的功能包括对每个发现进行细粒度置信度评分、通过 Defender CLI 中的 defender fix 命令生成 AI 代码修复、在 Microsoft Security Exposure Management 中集中展示结果，以及与 GitHub 和 Azure DevOps 的连接器。文档指出，MDASH 能够通用地跨代码库运行，支持所有主流编程语言，其中专门调校的专家代理在 C、C++、Java 和 C# 方面拥有特别深入的专长。

报告的结果与先前开发

Microsoft 表示，MDASH 在公开的 CyberGym 实际漏洞基准测试中得分 96.55，并在针对公司历史漏洞案例验证的自有代码上取得了类似的结果。

5 月 12 日的文章报告称，该系统在 StorageDrive（Microsoft 用于面试进攻性安全研究员的私有示例驱动）中发现了全部 21 个刻意植入的漏洞，且零误报。它在 clfs.sys Windows 组件的 28 起已确认的 Microsoft Security Response Center 案例中实现了 96% 的召回率，在 tcpip.sys 的 7 起案例中实现了 100% 的召回率，这些案例跨越五年；在 CyberGym 收录的 1,507 项实际漏洞复现任务中得分 88.45%，Microsoft 表示这在当时是基准排行榜上最高的分数。同一篇文章称，该系统帮助研究人员在 2026 年 5 月 12 日的 Patch Tuesday 中发现了 Windows 网络和身份验证堆栈的 16 项新漏洞，其中包括四个关键的远程代码执行缺陷，涉及 Windows 内核 TCP/IP 堆栈和 IKEv2 服务等组件。当时该系统正处于有限的私有预览阶段，仅面向少数客户。

MDASH 由 Microsoft 的 Autonomous Code Security 团队构建，该团队成员包括来自 Team Atlanta 的工程师，Team Atlanta 曾凭借一套自主网络推理系统在 DARPA AI Cyber Challenge 中获胜，该系统能够在开源项目中发现并修补真实漏洞。

2026 年 8 月 13 日，Microsoft 推出了 MDASH 内的 MAI‑Cyber‑1‑Flash，这是一款源自公司 MAI‑Thinking‑1 系列的紧凑安全模型，文章由 Mustafa Suleyman 与 Hayete Gallot 撰写。Microsoft 表示，该模型旨在处理高达 90% 的扫描任务，将 GPT‑5.4 留给 10% 的极其困难任务，并且相较于此前在 MDASH 中提供的最佳模型组合，可实现 50% 的成本节约。公司报告称，组合系统在 CyberGym any‑crash 指标上得分 96%，并说明目标 any‑of 分数为 90.4%，最终提交分数为 86.3%。Microsoft 还表示，该模型经过其 AI 红队评估，通过自动化和专家主导的对抗性演练测试，并由第三方独立评估。

多模型设计与威胁框架

Microsoft 表示，系统设计是关键差异化因素:该系统能够指派并协调最适合特定任务的模型，允许在无需重新构建的情况下采用新模型，从而使机构在系统下游的所有投入得以延续。政府公告称，MAI 模型家族的最新成员预计可将单次扫描成本降低约一半。

公告将此发布定位于威胁行为者对 AI 能力的投入，论证防御方唯一持久的优势是时间，即在发现并修补弱点与他人发现之间的时间差。希望获取访问权限的组织请联系其 Microsoft 客户经理，了解 Azure Government 中的 MDASH。