Microsoft های نکسینو

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: 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: 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: 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