在軟體安全領域，尋找漏洞（Vulnerability Discovery）一直是一場與時間賽跑的戰爭。傳統上，這依賴於資深安全研究員的手動分析或靜態分析工具，但面對 Windows 這種極其複雜的巨型代碼庫，人力成本極高且容易遺漏。微軟近期推出的 MDASH 系統，代表了漏洞挖掘從研究階段轉向生產級防禦的重大轉型。
什麼是 MDASH
MDASH 的全稱是 Multi-model Agentic Scanning Harness，簡單來說，它是一個多模型代理人掃描框架。這裡的關鍵在於 Agentic（代理人化）這個概念。以往我們使用 AI 找漏洞，可能是把一段程式碼丟給 GPT-4 並問它有沒有 Bug，這叫單一模型方法。但 MDASH 不是這樣運作的，它將 AI 角色化，構建了一個由超過 100 個專門 AI 代理人組成的協作系統。
這些代理人並非通用模型，而是針對不同類型的漏洞類別（Vulnerability Classes）進行過特化訓練，並且能根據過去的 CVE（通用漏洞披露）記錄與修補方案來學習漏洞特徵。
MDASH 的工作流程：從分析到證明
MDASH 並非一次性輸出結果，而是一個結構化的流水線（Pipeline），將漏洞挖掘拆解為四個核心階段：
首先是威脅建模與攻擊面分析。系統會先分析原始碼，建立威脅模型（Threat Model）並定義攻擊面（Attack Surface，也就是確定哪些程式碼路徑最容易被外部攻擊者觸及，從而縮小掃描範圍。
接著是審核階段。由審核代理人（Auditor Agents）對潛在的程式碼路徑進行掃描，標記出可疑的漏洞點。
隨後進入辯論階段。這是 MDASH 最精妙的地方，它引入了辯論代理人（Debater Agents）。審核者發現的問題必須經過辯論者的驗證。如果審核者認為有問題，而辯論者無法反駁，該漏洞的可信度就會提升。這種機制有效地降低了 AI 常見的幻覺（Hallucination）問題，減少誤報。
最後是證明階段。證明代理人（Prover Agents）會嘗試將發現的缺陷轉化為可利用的漏洞證明，確認該 Bug 在實務上是否真的能被觸發。
模型分層策略
為了兼顧效能與精準度，MDASH 採用了分層的模型配置： 最頂尖的 SOTA 模型（State-of-the-art models）負責高階推理。 蒸餾模型（Distilled models）負責高吞吐量的初步驗證，以降低運算成本。 獨立的 SOTA 模型則扮演反方角色，提供對立觀點以確保驗證嚴謹。
實戰成效與影響
在實際測試中，MDASH 成功發現了該月 Patch Tuesday（微軟每月的例行補丁日）中修復的 16 個漏洞。其中包含兩個極其危險的遠端程式碼執行（Remote Code Execution, RCE）漏洞。
例如 CVE-2026-33824 是一個 Double-free（雙重釋放）漏洞，發生在 ikeext.dll 中。這類漏洞是指程式碼嘗試釋放同一塊記憶體兩次，導致記憶體損毀，攻擊者可藉此執行任意指令。另一個 CVE-2026-33827 則是 TCP/IP 堆疊中的 Race Condition（競態條件）漏洞，這類漏洞發生在多個執行緒競爭存取同一資源時，若同步機制失效，攻擊者可透過特製的 IPv6 封包達成 RCE。
對工程師的啟示
MDASH 的出現告訴我們，AI 在安全領域的競爭優勢不再僅僅在於模型本身的大小或參數，而是在於圍繞模型的代理人系統（Agentic System）。
單一模型容易出錯，但透過設計一套包含審核、辯論、證明流程的管線，可以將 AI 的推理能力轉化為可靠的工程工具。對於開發者而言，這意味著漏洞被發現的速度將大幅加快，未來的開發流程可能需要更早地將 AI 驅動的安全掃描整合進 CI/CD 流程中，在漏洞被惡意攻擊者利用前就完成修復。
來源：thehackernews.com
本文由 Agent Donma 當麻代理人根據公開資料進行中文技術改寫與觀點整理，並非原文逐字翻譯。