Microsoft закрыла 16 новых уязвимостей Windows, которые нашла не классическая команда ресерчеров, а агентная система из более чем 100 ИИ-модулей. Для русскоязычных разработчиков, безопасников и IT-руководителей это важный сигнал: поиск багов в критической инфраструктуре все быстрее превращается из ручного ремесла в конвейер, где модель сама по себе уже не герой, а просто один из винтиков.
По данным Habr / Новости, речь идет о внутренней системе Microsoft под кодовым именем MDASH — multi-model agentic scanning harness, то есть мультимодельной агентной обвязке для сканирования. Ее результаты вошли в майский Patch Tuesday: компания исправила 16 уязвимостей в сетевом стеке Windows и связанных сервисах. Среди них четыре критических RCE, то есть дыры, позволяющие удаленно выполнить код. Уязвимости затрагивали драйвер tcpip.sys, службу ikeext.dll, а также библиотеки netlogon.dll и dnsapi.dll. Десять из шестнадцати багов находились в ядре, а большинство можно было достичь по сети без аутентификации. Для любого администратора это формулировка из серии «отложить нельзя ставить патчи».
Главная идея MDASH в том, что Microsoft делает ставку не на одну «самую умную» модель, а на оркестрацию большого набора специализированных агентов. Система работает по этапам. Сначала идет подготовка: индексация кода и анализ истории коммитов. Затем включаются агенты-аудиторы, которые размечают подозрительные участки. После этого находки передают на валидацию: одни агенты пытаются доказать, что баг реален, другие, по сути, выступают в роли оппонентов и отбрасывают слабые гипотезы. Дальше следуют дедупликация и финальный пруф — построение реального входа, который действительно воспроизводит ошибку. Иначе говоря, система не просто говорит «тут, возможно, что-то не так», а дожимает кейс до воспроизводимого сценария. На фоне обычного шума вокруг генеративного ИИ это, пожалуй, самая взрослая часть истории.
Состав этого ансамбля тоже показателен. Внутри MDASH работают тяжелые рассуждающие модели последнего поколения, более дешевые дистиллированные модели для массовых прогонов и отдельная независимая модель-критик. Такой дизайн выглядит прагматично: дорогие вычисления подключают там, где нужен разбор сложной логики, а рутинный перебор отдают более легким моделям. Вице-президент Microsoft по агентной безопасности Тэсу Ким сформулировал это предельно прямо: работу делает система, а модель — лишь одна из ее деталей. Для рынка это, возможно, даже более важная мысль, чем сами найденные уязвимости Windows. Если ценность лежит в обвязке, правилах, доменной экспертизе и процедуре проверки, то гонка переходит с уровня «у кого новее LLM» на уровень инженерной дисциплины.
Microsoft приводит и метрики, которыми пытается доказать, что MDASH — не красивая внутренняя демка. На закрытом тестовом драйвере StorageDrive, который не входил в обучающие выборки моделей, система нашла 21 уязвимость из 21 и не дала ложных срабатываний. На 28 исторических кейсах службы реагирования на инциденты Microsoft за пять лет в драйвере clfs.sys заявлена полнота 96%. На семи исторических кейсах в tcpip.sys — 100%. На публичном бенчмарке CyberGym, где нужно воспроизводить реальные уязвимости из 188 проектов OSS-Fuzz, система показала 88,45% на 1507 задачах и заняла первое место в лидерборде, примерно на пять пунктов выше предыдущего результата. Все эти цифры, конечно, стоит читать аккуратно: корпоративные бенчмарки любят удачные условия. Но даже с поправкой на PR-оптику результаты выглядят достаточно конкретно, чтобы воспринимать MDASH всерьез.
Контекст у этой истории тоже понятный. Большие вендоры уже давно автоматизируют фаззинг, статический анализ и triage инцидентов, но теперь в цепочку полноценно встраиваются агентные системы, которые умеют не только искать подозрительный код, но и спорить друг с другом, отсекать мусор и собирать доказательства. Это важное отличие от ранних экспериментов с LLM в безопасности, где все часто заканчивалось красивым, но бесполезным списком «возможных проблем». Microsoft фактически показывает следующую ступень: ИИ не заменяет процесс поиска уязвимостей, а начинает сам выполнять его фрагменты по правилам, которые раньше держались на людях и внутренних инструментах.
Для разработчиков и продуктовых команд вывод довольно практичный. Если у Microsoft больше всего проблем нашли именно в сетевом стеке, ядре и смежных системных сервисах, значит атака ИИ-агентов особенно хорошо работает там, где есть сложные состояния, разветвленная логика, старая кодовая база и цена ошибки очень высока. То же самое верно и для крупных корпоративных продуктов вне Windows: брокеры сообщений, VPN-шлюзы, библиотеки авторизации, системные демоны, middleware, сетевые прокси. Иными словами, там, где обычный code review давно превратился в обряд, агентный анализ может дать неприятно полезный результат. Для бизнеса это еще и вопрос экономики: если подобные системы действительно уменьшают число ложных срабатываний и доводят находки до воспроизводимого пруфа, стоимость одного качественного баг-репорта начинает резко падать.
Пока MDASH работает внутри Microsoft и доступна только узкому кругу клиентов в закрытом превью. Но сама постановка вопроса уже меняет ожидания от secure development lifecycle. Если раньше конкурентным преимуществом была сильная модель, то теперь все больше значит способность собрать вокруг нее инженерную машину, которая понимает кодовую базу, историю изменений и доменные ограничения. В этой логике следующий раунд борьбы за безопасность пойдет не между людьми и ИИ, а между компаниями, которые умеют превращать ИИ в системный инструмент, и теми, кто по-прежнему ждет от него магии в один клик.