ورود مایکروسافت به حوزه مدل‌های امنیت سایبری با MAI-Cyber-1-Flash

مایکروسافت مدل امنیت سایبری MAI-Cyber-1-Flash را در بستر MDASH منتشر کرده است. Codename MDASH یک سیستم امنیتی عامل‌محور و چندمدلی برای کشف و بررسی آسیب‌پذیری‌های کد است که برای اسکن و تحلیل کدهای بزرگ استفاده می‌شود و هدفش پیداکردن باگ‌ها و آسیب‌پذیری‌های امنیتی است. به ادعای مایکروسافت ترکیب این دو، عملکردی در سطح بالا را با ۵۰ درصد هزینه کمتر نسبت به مدل‌های پیشرو ارائه می‌دهد.

مبتنی بر نیاز

با کاهش چشمگیر هزینه یافتن آسیب‌پذیری‌ها، الگوی سنتی امنیت سایبری یعنی اسکن دوره‌ای و وصله‌کردن نرم‌افزارها در زمانی نامشخص دیگر کارایی خود را از دست داده است. اگر قرار است از مزایای واقعی هوش مصنوعی بهره‌مند شویم، ابتدا باید مدل‌های امنیت سایبری پیشرفته‌ای توسعه دهیم که به همه ما در مقاوم‌سازی نرم‌افزارهایی که زیرساخت جهان بر آن‌ها استوار است، کمک کنند.

MAI-Cyber-1-Flash با همین هدف توسعه یافته است؛ مدلی که برای شناسایی آسیب‌پذیری‌های پیچیده در پایگاه‌های کد بزرگ و پیچیده طراحی شده است. این مدل با MDASH یکپارچه شده، با دانش و تجربه برجسته‌ترین متخصصان امنیت سایبری صنعت بهینه‌سازی شده و در گسترده‌ترین زیرساخت امنیتی جهان آزموده و تقویت شده است.

ترکیب این توانمندی‌ها، سطحی کم‌نظیر از حفاظت امنیتی را فراهم کرده و در معیار CyberGym که به‌عنوان استاندارد طلایی ارزیابی توانایی سامانه‌ها در استدلال روی پایگاه‌های کد بزرگ برای شناسایی آسیب‌پذیری‌های واقعی شناخته می‌شود عملکردی بهتر از Mythos، Gemini و GPT به ثبت رسانده است.

MAI-Cyber-1-Flash یک مدل امنیتی فشرده و متمرکز بر کدنویسی است که از خانواده MAI-Thinking-1 مشتق شده است. این مدل به طور کامل در داخل مایکروسافت و از پایه با استفاده از باکیفیت‌ترین داده‌ها توسعه یافته است. جزئیات فنی آن در گزارش فنی منتشرشده توسط مایکروسافت ارائه شده است.

MDASH، بستر چندعاملی شناسایی و رفع آسیب‌پذیری‌های مایکروسافت توسط برجسته‌ترین متخصصان امنیت سایبری تنظیم و بهینه‌سازی شده است. این متخصصان بیش از ۱۰۰ عامل هوشمند را با استفاده از چندین مدل پیشرو توسعه داده‌اند تا آسیب‌پذیری‌ها را شناسایی، اعتبارسنجی و برطرف کنند.

انتخاب مدل مناسب برای هر وظیفه

امنیت سایبری مأموریتی دائمی و بدون وقفه است و باتوجه‌به حجم عظیم حملات ورودی، هزینه توکن‌ها اکنون به مهم‌ترین محدودیت مدافعان تبدیل شده است. MAI-Cyber-1-Flash به‌گونه‌ای طراحی شده که بتواند تا ۹۰ درصد از تمام وظایف امنیتی را با بهره‌وری بالا انجام دهد. این رویکرد به MDASH اجازه می‌دهد تنها برای ۱۰ درصد از دشوارترین وظایف، از مدل‌های بزرگ‌تر و پرهزینه‌تر موجود در مجموعه خود (که در اینجا GPT-5.4 است) استفاده کند.

نتیجه این معماری آن است که سامانه یکپارچه MDASH همراه با MAI-Cyber-1-Flash در معیار CyberGym به امتیاز ۹۶ درصد دست یافته است. این ترکیب همچنین در مقایسه با بهترین پیکربندی فعلی MDASH  شامل GPT-5.4، GPT-5.4 mini و GPT-5.3 Codex تا ۵۰ درصد صرفه‌جویی در هزینه ایجاد می‌کند. این دستاورد، نتیجه یک سامانه چندمدلیِ به‌خوبی تنظیم‌شده است که به مجموعه‌ای منحصربه‌فرد از داده‌های تاریخی آموزشی دسترسی دارد. چنین معماری‌ای تضمین می‌کند که برای هر وظیفه، همواره مناسب‌ترین مدل با بهینه‌ترین هزینه انتخاب شود.

کاربران از طریق MDASH به مجموعه‌ای از قابلیت‌های سازمانی از جمله کنترل دسترسی مبتنی بر نقش (Role-Based Access Control)، جداسازی مستأجرها (Tenant Isolation)، رمزنگاری، قابلیت ممیزی (Auditability) و محیط‌های اجرای ایزوله (Sandbox) بدون دسترسی به اینترنت دسترسی خواهند داشت. نتیجه، مدلی تخصصی در حوزه امنیت سایبری است که در عین ارائه قابلیت‌های قدرتمند به مدافعان، الزامات حاکمیت، امنیت و کنترل موردانتظار سازمان‌ها از مایکروسافت را نیز حفظ می‌کند.

پروژه Perception چیست؟

تحقق امنیت مبتنی بر عامل‌های هوشمند صرفاً با افزودن چند عامل هوشمند به جریان‌های کاری موجود امکان‌پذیر نیست؛ بلکه به یک پشته امنیت سایبری کاملاً جدید نیاز دارد که از ابتدا برای این هدف طراحی شده باشد.

در این محیط جدید، توانایی گذار از شناسایی یک آسیب‌پذیری جدید به رفع آن در زمان واقعی اهمیتی حیاتی دارد. هرچند رفع آسیب‌پذیری‌های نرم‌افزاری با کمک هوش مصنوعی اکنون به یکی از جریان‌های کاری اصلی امنیت سایبری تبدیل شده است، اما همچنان بسیاری از وظایف باید مستقیماً توسط متخصصان امنیت انجام شوند.

ازاین‌رو مایکروسافت از پروژه Perception نیز رونمایی کرد؛ سامانه امنیتی عامل‌محور که مجموعه‌ای از عامل‌های هوشمند را برای انجام طیف متنوعی از فرایندهای امنیتی در MDASH در اختیار تیم‌های امنیت قرار می‌دهد تا به‌صورت پیوسته تهدیدها را پایش کنند، وصله‌های امنیتی را اعمال کنند و مسیرهای جدید حمله را مسدود سازند. همچنین به‌زودی Perception از MAI-Cyber-1-Flash در طیف گسترده‌تری از فرایندهای امنیتی، فراتر از حوزه شناسایی و رفع آسیب‌پذیری‌های نرم‌افزاری، بهره خواهد گرفت. اسکن عامل‌محور کد در سامانه MDASH یکی از قابلیت‌های کلیدی مرکز عملیات امنیت به شمار می‌رود و داده‌های موردنیاز Perception را نیز تأمین می‌کند.

این پشته با سیگنال‌ها و حسگرها آغاز می‌شود که دید جامعی از دارایی‌های دیجیتال فراهم می‌کنند. سپس اطلاعات زمینه‌ای امنیتی این سیگنال‌ها را به درکی بهینه از نظر مصرف توکن تبدیل می‌کند تا عامل‌ها بتوانند از آن استفاده کنند. مدل‌ها وظیفه استدلال و تولید هوشمندی را بر عهده دارند. یک بستر هماهنگ‌کننده مدل‌ها و عامل‌ها را در سراسر جریان‌های کاری امنیتی مدیریت می‌کند. در نهایت، عامل‌ها این هوشمندی را در فرایندهای امنیتی به کار می‌گیرند و عملگرها (Actuators) تصمیمات را به اقدامات حفاظتی تبدیل می‌کنند. در کنار هم این لایه‌ها یک سامانه یادگیرنده مستمر را شکل می‌دهند که قادر است ریسک را درک کند، خود را با شرایط متغیر تطبیق دهد و به‌مرورزمان نتایج امنیتی را بهبود بخشد. هرچند هر یک از این لایه‌ها قابلیت‌های مهمی ارائه می‌کنند، اما قدرت واقعی Project Perception از نحوه تعامل و همکاری آن‌ها با یکدیگر ناشی می‌شود.

Perception سیگنال‌ها، اطلاعات زمینه‌ای، مدل‌ها و عامل‌های تخصصی را در قالب یک سامانه دفاعی با قابلیت یادگیری مستمر گرد هم می‌آورد. این سامانه می‌تواند با سرعت ماشین استدلال کند، اولویت‌بندی انجام دهد و اقدام کند، درحالی‌که همچنان کنترل نهایی را در اختیار انسان قرار داده و جریان‌های کاری قدرتمند و جدیدی را در اختیار او می‌گذارد.

Perception بر پایه یک ایده ساده بنا شده است: دفاع مؤثر مستلزم درک مداوم این موضوع است که مهاجم جهان را چگونه می‌بیند، مدافع چگونه ریسک را ارزیابی می‌کند و سازوکارهای حفاظتی چگونه در طول زمان بهبود می‌یابند. برای تحقق این هدف، Perception سه دسته از عامل‌های تخصصی را هماهنگ می‌کند:

• عامل‌های تیم قرمز (Red Team Agents) مسیرهای بالقوه نفوذ را پیش از آنکه مهاجم بتواند از آن‌ها سوءاستفاده کند، شناسایی می‌کنند.
• عامل‌های تیم آبی (Blue Team Agents) رخدادها را بررسی کرده، باتکیه‌بر اطلاعات زمینه‌ای استدلال می‌کنند و مشخص می‌کنند کدام موارد واقعاً ریسک معناداری ایجاد می‌کنند.
• عامل‌های تیم سبز (Green Team Agents) اقدامات اصلاحی را اجرا کرده و سازوکارهای دفاعی را در سراسر محیط تقویت می‌کنند.

این عامل‌ها در کنار یکدیگر یک سامانه حلقه‌بسته (Closed-loop) را تشکیل می‌دهند که به طور مستمر وضعیت امنیتی سازمان را کشف، ارزیابی و بهبود می‌بخشد. نسخه پیش‌نمایش عمومی (Public Preview) این سامانه از ۳ اوت در دسترس خواهد بود.