تیمهای امنیت سایبری هر روز با حجم عظیمی از هشدارها، آسیبپذیریها، کدهای مشکوک و حملات احتمالی روبهرو میشوند. مشکل فقط شناسایی تهدید نیست؛ فاصله میان کشف یک آسیبپذیری و اصلاح کامل آن میتواند فرصت ارزشمندی در اختیار مهاجمان قرار دهد.
با گسترش استفاده مهاجمان از هوش مصنوعی، سرعت تولید کد مخرب، کشف ضعفهای نرمافزاری و اجرای حملات نیز افزایش یافته است. ابزارهایی که برای دنیای حملات انسانی طراحی شدهاند، ممکن است در برابر تهدیدهایی که با سرعت ماشین عمل میکنند کافی نباشند.
مایکروسافت برای پاسخ به این چالش، سیستم جدیدی به نام Project Perception توسعه داده است. این سامانه با استفاده از چند ایجنت تخصصی، مدلهای مختلف هوش مصنوعی و دادههای امنیتی مایکروسافت تلاش میکند چرخه شناسایی، ارزیابی و اصلاح آسیبپذیریها را سریعتر و پیوستهتر کند. Project Perception از ۳ اوت ۲۰۲۶ وارد مرحله پیشنمایش عمومی شده است.
Project Perception چیست؟
Project Perception یک سیستم امنیت سایبری ایجنتی از مایکروسافت است که سیگنالهای امنیتی، اطلاعات محیط سازمان، مدلهای هوش مصنوعی و ایجنتهای تخصصی را برای شناسایی و کاهش ریسکهای سایبری با یکدیگر ترکیب میکند.
مایکروسافت این سیستم را در ۲۷ ژوئیه ۲۰۲۶ معرفی کرد و اعلام کرد پیشنمایش عمومی آن از ۳ اوت آغاز میشود. هدف اصلی Project Perception این است که امنیت سازمانی از یک فرایند مقطعی و واکنشی، به سیستمی پیوسته برای مشاهده، تحلیل و اقدام تبدیل شود.
در روشهای سنتی، ابزارهای امنیتی معمولاً تعداد زیادی هشدار تولید میکنند و کارشناسان باید آنها را بهصورت دستی بررسی، اعتبارسنجی و اولویتبندی کنند. Project Perception قرار نیست صرفاً هشدار بیشتری ایجاد کند؛ بلکه باید بتواند تهدیدها را در بستر واقعی سازمان تحلیل کرده و برای کاهش آنها اقدام مناسب پیشنهاد دهد.
مایکروسافت تأکید کرده است که انسان همچنان باید کنترل نهایی را در اختیار داشته باشد. بنابراین این سیستم بیشتر بهعنوان یک نیروی تقویتی برای تیمهای امنیتی طراحی شده است، نه جایگزینی کامل برای متخصصان.
Project Perception چگونه کار میکند؟
Project Perception چند نوع ایجنت تخصصی را در قالب یک چرخه دفاعی هماهنگ میکند. هر گروه از ایجنتها وظیفه متفاوتی دارد و مسئله امنیت را از زاویه خاصی بررسی میکند.
مایکروسافت این ایجنتها را در سه گروه اصلی معرفی کرده است:
- ایجنتهای قرمز: مسیرهای احتمالی نفوذ و سوءاستفاده را مانند یک مهاجم بررسی میکنند.
- ایجنتهای آبی: یافتهها را تحلیل میکنند و تشخیص میدهند کدام مورد یک ریسک واقعی و مهم است.
- ایجنتهای سبز: برای رفع مشکل، کاهش سطح حمله یا تقویت دفاع اقدام اصلاحی پیشنهاد میدهند.
این سه گروه یک چرخه بسته ایجاد میکنند. ابتدا ضعف احتمالی کشف میشود، سپس واقعی بودن و شدت آن مورد بررسی قرار میگیرد و در پایان راهکاری برای اصلاح یا کاهش خطر ارائه میشود. پس از اعمال تغییر نیز سیستم میتواند دوباره محیط را بررسی کند تا مطمئن شود مشکل برطرف شده است.
Project Perception تنها به کد نرمافزار محدود نیست. معماری معرفیشده از سوی مایکروسافت قرار است اطلاعات مربوط به هویتها، نقاط پایانی، برنامهها، دادهها، سرویسهای ابری و سامانههای هوش مصنوعی را در کنار هم بررسی کند.
چرخه شناسایی تا اصلاح آسیبپذیری
یک گردش کار احتمالی در Project Perception میتواند به این شکل باشد:
- دریافت سیگنالهای امنیتی از محیط سازمان
- شناسایی یک رفتار یا آسیبپذیری احتمالی
- بررسی مسیر سوءاستفاده توسط ایجنتهای قرمز
- اعتبارسنجی و اولویتبندی ریسک توسط ایجنتهای آبی
- پیشنهاد تغییر یا اصلاحیه توسط ایجنتهای سبز
- آزمایش اصلاحیه در یک محیط کنترلشده
- ارائه نتیجه به کارشناس امنیت برای تأیید نهایی
مزیت این فرایند آن است که کشف، تحلیل و اصلاح بهعنوان سه فعالیت جداگانه انجام نمیشوند؛ بلکه در یک جریان پیوسته به یکدیگر متصل هستند.
MAI-Cyber-1-Flash چیست؟
یکی از اجزای مهم این راهکار، مدل MAI-Cyber-1-Flash است. مایکروسافت آن را نخستین مدل تخصصی امنیت سایبری Microsoft AI معرفی کرده که برای یافتن آسیبپذیریهای دشوار در کدهای پیچیده ساخته شده است.
MAI-Cyber-1-Flash یک مدل عمومی مشابه چتباتهای معمولی نیست. این مدل بهصورت تخصصی برای کارهایی مانند تحلیل کد، شناسایی ضعفهای امنیتی و کمک به فرایند اصلاح آسیبپذیری طراحی شده است.
مایکروسافت میگوید این مدل از خانواده MAI-Thinking-1 مشتق شده و با تمرکز زیاد بر دادهها و وظایف مرتبط با کد توسعه یافته است. همچنین براساس اعلام شرکت، مدل از صفر و در داخل مایکروسافت ساخته شده و برای استفاده دفاعی کالیبره شده است.
چرا مایکروسافت از یک مدل تخصصی استفاده کرده است؟
استفاده دائمی از بزرگترین و گرانترین مدلها برای تمام وظایف امنیتی از نظر اقتصادی منطقی نیست. بسیاری از فعالیتهای روزمره مانند بررسی بخشهای مشخصی از کد، دستهبندی یافتهها یا اجرای تحلیلهای تکرارشونده را میتوان با یک مدل کوچکتر و تخصصی انجام داد.
مایکروسافت اعلام کرده MAI-Cyber-1-Flash میتواند تا حدود ۹۰ درصد وظایف MDASH را مدیریت کند. حدود ۱۰ درصد از مسائل بسیار دشوار به مدلهای قدرتمندتر، از جمله GPT-5.4، ارجاع داده میشوند.
این معماری دو مزیت مهم دارد:
- هزینه اجرای سیستم کاهش پیدا میکند.
- مدلهای بزرگ فقط در جایی استفاده میشوند که واقعاً به توان استدلالی بیشتر نیاز است.
در نتیجه، بهجای انتخاب یک مدل ثابت برای همه مسائل، سیستم براساس پیچیدگی و حساسیت هر وظیفه، مدل مناسب را انتخاب میکند.
MDASH چیست؟
MDASH سامانه چندمدلی و چندایجنتی مایکروسافت برای شناسایی، اعتبارسنجی و اصلاح آسیبپذیریهای نرمافزاری است.
براساس اطلاعات رسمی Microsoft AI، این سامانه بیش از ۱۰۰ ایجنت ساختهشده با مدلهای مختلف را هماهنگ میکند. این ایجنتها برای پیدا کردن آسیبپذیری، اثبات قابل سوءاستفاده بودن آن، بررسی شدت مشکل و کمک به اصلاح کد با یکدیگر همکاری میکنند.
تفاوت سه نام اصلی را میتوان به شکل زیر خلاصه کرد:
| نام | نوع | وظیفه اصلی |
|---|---|---|
| Project Perception | سیستم دفاع سایبری ایجنتی | ایجاد چرخه پیوسته مشاهده، تحلیل و اقدام |
| MAI-Cyber-1-Flash | مدل تخصصی امنیت سایبری | تحلیل کد و یافتن آسیبپذیریها |
| MDASH | سامانه چندمدلی و چندایجنتی | هماهنگی ایجنتها برای کشف و اصلاح ضعفها |
MAI-Cyber-1-Flash داخل MDASH فعالیت میکند و MDASH نیز یکی از اجزایی است که قابلیتهای Project Perception را در حوزه مدیریت آسیبپذیری نرمافزار تأمین میکند.
عملکرد MAI-Cyber-1-Flash چقدر است؟
مایکروسافت برای ترکیب MDASH، مدل MAI-Cyber-1-Flash و GPT-5.4 نتایج زیر را گزارش کرده است:
| شاخص | نتیجه اعلامشده |
|---|---|
| امتیاز در CyberGym | حدود ۹۶ درصد |
| فاصله با Mythos | حدود ۱۲ امتیاز بیشتر |
| کاهش هزینه | نزدیک به ۵۰ درصد |
| سهم وظایف مدل Flash | تا ۹۰ درصد |
| تعداد ایجنتهای MDASH | بیش از ۱۰۰ ایجنت |
در نمودار رسمی Microsoft AI، ترکیب MDASH با MAI-Cyber-1-Flash و GPT-5.4 به نرخ موفقیت ۹۵.۹۵ درصد رسیده است. مایکروسافت میگوید این ترکیب در CyberGym از پیکربندیهای مبتنی بر Mythos، Gemini و GPT عملکرد بهتری داشته است.
CyberGym برای ارزیابی توانایی سیستمها در بررسی مخزنهای بزرگ کد و پیدا کردن آسیبپذیریهای واقعی استفاده میشود. بااینحال، این نتایج باید محتاطانه تفسیر شوند.
اعداد فعلی توسط خود مایکروسافت اعلام شدهاند و هنوز برای قضاوت نهایی به ارزیابیهای مستقل بیشتری نیاز است. همچنین عملکرد یک سیستم در محیط واقعی سازمان میتواند تحتتأثیر عواملی مانند کیفیت کد، سطح دسترسی، پیچیدگی زیرساخت و تنظیمات امنیتی قرار بگیرد.
هوش مصنوعی چگونه آسیبپذیری را اصلاح میکند؟
پس از شناسایی یک ضعف، سیستم میتواند محل آسیبپذیری را در کد مشخص و تغییر مناسبی برای رفع آن پیشنهاد کند. اما تولید یک Patch تنها مرحله اول است.
اصلاحیه پیشنهادی باید بررسی شود تا مشخص شود:
- آسیبپذیری واقعاً برطرف شده است.
- عملکرد اصلی نرمافزار مختل نمیشود.
- خطا یا ضعف جدیدی ایجاد نشده است.
- تغییر با معماری و سیاستهای سازمان سازگار است.
- امکان بازگشت امن به نسخه قبلی وجود دارد.
مایکروسافت اعلام کرده MDASH از کنترلهای سازمانی مانند جداسازی مشتریان، رمزنگاری، ثبت رویدادها، کنترل دسترسی مبتنی بر نقش و اجرای ایزوله بدون دسترسی اینترنتی پشتیبانی میکند.
این کنترلها اهمیت زیادی دارند؛ زیرا یک ایجنت امنیتی برای بررسی و اصلاح کد ممکن است به منابع حساس دسترسی پیدا کند.
مزایای Project Perception برای سازمانها
مهمترین مزیت احتمالی این سیستم، کاهش زمان میان کشف و رفع آسیبپذیری است. هرچه یک ضعف مدت بیشتری در نرمافزار باقی بماند، احتمال شناسایی و سوءاستفاده مهاجمان از آن بیشتر میشود.
مزایای دیگر عبارتاند از:
- بررسی حجم بیشتری از کد و هشدارهای امنیتی
- کاهش کارهای تکراری تیمهای امنیتی
- اولویتبندی بهتر آسیبپذیریها
- استفاده اقتصادیتر از مدلهای هوش مصنوعی
- اتصال تحلیل امنیتی به اقدام اصلاحی
- امکان پایش مداوم بهجای اسکنهای دورهای
Project Perception میتواند بهخصوص برای شرکتهای نرمافزاری، سازمانهای مالی، ارائهدهندگان خدمات ابری و تیمهای DevSecOps جذاب باشد.
ریسکها و محدودیتهای امنیت ایجنتی
استفاده از ایجنتهای خودکار در امنیت بدون ریسک نیست. یک مدل ممکن است آسیبپذیری را اشتباه تشخیص دهد، شدت آن را نادرست ارزیابی کند یا اصلاحیهای تولید کند که عملکرد سیستم را مختل کند.
خود ایجنتها نیز ممکن است هدف حمله قرار بگیرند. داده مخرب، Prompt Injection، فایل دستکاریشده یا اطلاعات گمراهکننده میتواند بر تصمیم سیستم تأثیر بگذارد.
به همین دلیل، چند اصل ضروری است:
- محدود کردن سطح دسترسی هر ایجنت
- اجرای عملیات حساس در Sandbox
- ثبت کامل فعالیتها
- تأیید انسانی تغییرات مهم
- امکان بازگرداندن اصلاحیهها
- ارزیابی مداوم مدلها
- تفکیک محیط تولید از محیط آزمایش
مایکروسافت میگوید Project Perception بر پایه اصول هوش مصنوعی مسئولانه و کنترلهای امنیتی سازمانی ساخته شده است، اما عملکرد واقعی این کنترلها باید در استقرارهای عملی نیز بررسی شود.
آیا Project Perception جایگزین کارشناسان امنیت میشود؟
در شرایط فعلی، پاسخ منفی است.
Project Perception میتواند وظایفی مانند اسکن کد، دستهبندی هشدارها، پیشنهاد Patch و اجرای آزمونهای اولیه را خودکار کند. اما تصمیمهایی که به ریسک تجاری، الزامات حقوقی، مدیریت بحران یا تغییر در سامانههای حساس مربوط میشوند همچنان به قضاوت انسانی نیاز دارند.
کارشناسان امنیت باید تعیین کنند کدام ریسک قابل پذیرش است، چه زمانی یک سیستم باید از دسترس خارج شود و آیا اصلاحیه پیشنهادی با نیازهای کسبوکار سازگار است.
بنابراین نقش اصلی Project Perception، افزایش سرعت و ظرفیت تیمهای امنیتی است؛ نه حذف آنها.
Project Perception چه تأثیری بر آینده امنیت سایبری دارد؟
Project Perception نشاندهنده حرکت صنعت امنیت از ابزارهای هشدارمحور به سیستمهای اقداممحور است. در این رویکرد، هوش مصنوعی فقط مشکل را گزارش نمیکند؛ بلکه مسیر حمله را بررسی، ریسک را تحلیل و راهکار اصلاح را نیز پیشنهاد میدهد.
همچنین این پروژه اهمیت مدلهای کوچکتر و تخصصی را نشان میدهد. در بسیاری از کاربردهای سازمانی، یک مدل تخصصی ارزان میتواند بیشتر وظایف را انجام دهد و فقط موارد دشوار را به مدلهای بزرگتر ارجاع دهد.
آینده محتمل امنیت سایبری، تیمی ترکیبی از متخصصان انسانی و چندین ایجنت تخصصی خواهد بود؛ سیستمی که ماشینها در آن سرعت و مقیاس را تأمین میکنند و انسانها کنترل، قضاوت و مسئولیت نهایی را بر عهده دارند.
جمعبندی
Project Perception سیستم امنیت سایبری ایجنتی مایکروسافت است که برای مشاهده مداوم محیط، تحلیل تهدیدها و کمک به اصلاح آسیبپذیریها طراحی شده است. این سامانه از ایجنتهای قرمز، آبی و سبز، معماری چندمدلی، MDASH و مدل تخصصی MAI-Cyber-1-Flash استفاده میکند.
مایکروسافت برای ترکیب جدید MDASH امتیاز حدود ۹۶ درصد در CyberGym و نزدیک به ۵۰ درصد کاهش هزینه را گزارش کرده است. بااینحال، این نتایج هنوز به ارزیابی مستقل بیشتری نیاز دارند.
Project Perception میتواند سرعت و مقیاس دفاع سایبری را افزایش دهد، اما اصلاح خودکار کد، سطح دسترسی ایجنتها و احتمال تصمیم اشتباه باعث میشوند نظارت انسانی همچنان بخش ضروری این سیستم باقی بماند.
سوالات متداول (FAQ)
Project Perception چیست؟
Project Perception یک سیستم امنیت سایبری چندایجنتی از مایکروسافت است که سیگنالهای امنیتی، مدلها و ایجنتهای تخصصی را برای شناسایی، ارزیابی و کاهش ریسکهای سایبری هماهنگ میکند.
تفاوت Project Perception و MAI-Cyber-1-Flash چیست؟
Project Perception یک سیستم جامع امنیتی است، اما MAI-Cyber-1-Flash یک مدل تخصصی برای تحلیل کد و شناسایی آسیبپذیریهاست که درون MDASH و بخشی از اکوسیستم Project Perception استفاده میشود.
آیا Project Perception آسیبپذیریها را خودکار اصلاح میکند؟
این سیستم میتواند اصلاحیه تولید و آن را در محیط کنترلشده آزمایش کند، اما تغییرات حساس باید با کنترل دسترسی و تأیید کارشناسان انسانی انجام شوند.
آیا Project Perception جایگزین کارشناسان امنیت میشود؟
خیر. این سیستم برای خودکارسازی وظایف تکراری و افزایش سرعت تیمهای امنیتی طراحی شده است، اما تصمیمگیریهای حساس و مسئولیت نهایی همچنان بر عهده انسان باقی میماند.
