北京
一个普通的Patch Tuesday前夜，微软安全研究团队启动了一次不太寻常的演练。他们没有召集更多红队工程师，也没有增加人手逐行审读代码，而是把一批Windows内核驱动交给了一个名为MDASH的系统——一个由多个AI模型和智能体协作的安全扫描工具。结果让人意外：系统不仅找到了驱动里全部21个事先埋入的漏洞，而且没有产生任何误报。这一表现，连同它在公开安全挑战CyberGym上拿到的88.45%分数，一起写进了微软最新披露的技术文档中。
这并不是又一次“单一模型吊打人类”的故事。微软强调的核心是那个多模型、多代理的编排管道本身，而不是某一个叫做MAI‑Cyber‑1‑Flash的独立模型。在官方发布的安全公告里，MDASH的全称是Multi‑Model Agentic Scanning Harness，一个协同机制，它把漏洞发现从一问一答式的简单提示，升级成了一系列环环相扣的自动化步骤：分析二进制或源代码、生成假设、尝试可能的利用路径、交叉验证发现，最后过滤掉那些站不住脚的结果。对于正在评估AI辅助防御的企业来说，这个框架的意义可能比任何一个基准分数都更根本——因为真实环境中的安全效能，往往不取决于单个模型有多强，而取决于如何把模型、工具、校验步骤和代理编排成一个可信赖的闭环。
先看一组微软报告中给出的数字。在CyberGym公开排行榜上，MDASH拿到了88.45%的综合分。CyberGym是一种专门衡量自动化安全系统在基准环境中表现的方式，它模拟了真实网络靶场中的攻击与防御动作。这个分数让MDASH站到了第一梯队，但微软并没有把它当作唯一的成绩单。在另一项受控评测里，团队在一款测试驱动程序中埋下了21个不同类型的漏洞，MDASH识别出了全部21个，误报为零。此外，微软还回测了过去五年安全响应中心（MSRC）受理的关于clfs.sys与tcpip.sys两个驱动的历史案例：对clfs.sys的漏洞检出召回率达到96%，对tcpip.sys更是达到100%。Patch Tuesday级别的实战中也抓到了16个CVE。
乍一看，这些数字很容易被合并成“AI整体安全检测准确率超过九成”之类的笼统宣传。但微软的安全研究员特意在报告里拆解了几种测试之间的区别。CyberGym排行榜分数衡量的是系统在特定模拟环境中的攻防表现，而那个96%的召回率仅限于clfs.sys的历史MSRC案例，并不来自CyberGym。21个植入漏洞的完美检出，反映的是受控环境中已知漏洞的发现能力，也不能直接外推到所有安全任务。三类测试其实在回答不同的问题：排行榜分数告诉你它在比赛环境里跑得怎么样；受控植入测试告诉你它在这类已知缺陷面前的敏感度和特异性；历史案例召回率则检验它在真实历史漏洞上的覆盖水平。三者放在一起，才拼凑出一个更完整的图景：微软正在用基准、受控和历史三大维度来评估MDASH，而不是只盯着一个数字。
这一点对安全团队的实际操作尤其关键。一个有用的AI安全系统，绝不能只停留在“指出某些可能是漏洞的地方”。它必须能够融进一个可审核、可复现、可验证的工作流，帮助研究人员决定哪些发现值得优先深挖，哪些需要立刻修复，哪些又是假警报。零误报在21个植入漏洞驱动上的表现之所以被单独拿出来强调，就是因为在大量安全运维场景里，误报才是真正的效率黑洞。每一次错误告警都需要工程师停下手中的事情去判断和排除，累积起来消耗的时间远超过修复真实漏洞的成本。而在多模型协同的设定下，误报的风险本来可能被放大——毕竟每一步推理都可能引入新的噪声。MDASH在控制测试中做到了零误报，说明它内置的验证和过滤链路确实在发挥作用。
架构层面的创新也在悄然改变行业对AI安全工具的认知。MDASH是一种多模型代理扫描工具，这就意味着它并不是简单地把一个漏洞挖掘的任务交给某个大语言模型去完成。它是一条自动化的流水线，不同阶段可能调用不同的模型和工具：有的模型擅长理解汇编代码路径，有的擅长构建模糊测试的输入种子，有的则是专门训练过的验证器，用来复现初步发现的疑似漏洞
特别声明：以上内容(如有图片或视频亦包括在内)为自媒体平台“网易号”用户上传并发布，本平台仅提供信息存储服务。
Notice: The content above (including the pictures and videos if any) is uploaded and posted by a user of NetEase Hao, which is a social media platform and only provides information storage services.
