Microsoft-მა წარადგინა MAI-Cyber-1-Flash, კომპანიის პირველი კიბერუსაფრთხოების მოდელი, რომელიც ინტეგრირებულია MDASH-ში – მრავალაგენტურ სისტემაში, რომელიც კოდში სისუსტეებს პოულობს და ასწორებს. კომპანიის თქმით, ეს კომბინაცია წამყვან მოდელებთან შედარებადი შედეგს იძლევა ორჯერ ნაკლებ ფასად.
რატომ გამოუშვა Microsoft-მა MAI-Cyber-1-Flash
კომპანიის არგუმენტი მარტივია: ხელოვნური ინტელექტის განვითარებამ ჰაკერებსაც მისცა ძლიერი ინსტრუმენტები. მათ შეუძლიათ უზარმაზარი კოდის ბაზები გადაამოწმონ ერთი სუსტი წერტილის საპოვნელად.
სარჩევი
როცა სისუსტის აღმოჩენის ღირებულება ეცემა, ძველი მოდელი – პერიოდული სკანირება და გვიანი პაჩინგი – აღარ მუშაობს. სწორედ ამიტომ შეიქმნა MAI-Cyber-1-Flash: რთულ კოდის ბაზებში მძიმედ აღმოსაჩენი სისუსტეების საპოვნელად.
CyberGym-ის შედეგები
Microsoft მოდელს აფასებს CyberGym-ზე, ბენჩმარკზე, რომელიც ზომავს, რამდენად კარგად მსჯელობს სისტემა დიდ კოდის ბაზებზე რეალური სისუსტეების აღმოსაჩენად.
MDASH-ის კონფიგურაცია MAI-Cyber-1-Flash-ითა და GPT-5.4-ით 95.95% შედეგს აჩვენებს. კომპანიის მიერ გამოქვეყნებულ დიაგრამაზე დანარჩენი ოთხი მოდელი 83.2%-დან 85.6%-მდე დიაპაზონშია.
Microsoft-ის ფორმულირებით, ეს არის 96% CyberGym-ზე, რაც Mythos-ს 12 პუნქტით უსწრებს. შედარებაში ასევე მოხსენიებულია Gemini და GPT.
საიდან მოდის 50%-იანი ეკონომია
მთავარი იდეა მოდელების სწორ განაწილებაშია. კომპანიის განმარტებით, უსაფრთხოება მუდმივად მომუშავე პროცესია და შემომავალი შეტევების მოცულობის გამო ტოკენების ღირებულება დამცველებისთვის რეალურ შეზღუდვად იქცა.
MAI-Cyber-1-Flash შექმნილია იმისთვის, რომ ეფექტიანად დაფაროს ამოცანების 90%-მდე. დარჩენილი 10%, ანუ განსაკუთრებით რთული შემთხვევები, გადაეცემა უფრო დიდ და ძვირ მოდელს, ამ შემთხვევაში GPT-5.4-ს.
შედეგად, MDASH-ის დღევანდელ საუკეთესო კონფიგურაციასთან შედარებით (GPT-5.4 + 5.4 mini + 5.3 codex) ხარჯი 50%-ით მცირდება.
Perception: აგენტური უსაფრთხოების სისტემა
იმავე დღეს Microsoft-მა წარადგინა Perception – აგენტური უსაფრთხოების სისტემა, რომელიც MDASH-ში სხვადასხვა სამუშაო პროცესისთვის აგენტების გუნდებს გვთავაზობს.
მისი დანიშნულებაა უწყვეტი მონიტორინგი, პაჩინგი და ახალი საფრთხის ვექტორების დახურვა. კომპანიის თქმით, Perception მალე თავადაც გამოიყენებს MAI-Cyber-1-Flash-ს უფრო ფართო სპექტრის უსაფრთხოების ამოცანებისთვის, არა მხოლოდ კოდის სისუსტეებზე მუშაობისას.
სამი კომპონენტი: მოდელი, მონაცემები, ჰარნესი
მოდელი
MAI-Cyber-1-Flash არის კომპაქტური, კოდზე ორიენტირებული უსაფრთხოების მოდელი, რომელიც MAI-Thinking-1-ის ხაზიდან მომდინარეობს. Microsoft-ი აღნიშნავს, რომ ის შიდა რესურსებით, ნულიდან აშენდა.
მონაცემები
კომპანია ამას თავის ყველაზე ღრმა უპირატესობად ასახელებს. მისი მონაცემებით, დღეში 100 ტრილიონზე მეტი უსაფრთხოების სიგნალი გროვდება იდენტობის, ბოლო წერტილების, ღრუბლის, მონაცემების, ბრაუზერისა და აპლიკაციების დონეზე, ხოლო ოპერაციული ხედვა 1.6 მილიონი მომხმარებლისგან მოდის.
სისუსტეების ნაწილი Microsoft Security Response Center-ის გავლით ხვდება ამ ციკლში.
ჰარნესი
MDASH-ს ინდუსტრიის უსაფრთხოების ექსპერტები აწყობენ. მათ შექმნეს 100-ზე მეტი აგენტი, რომლებიც რამდენიმე წამყვან მოდელს იყენებენ სისუსტეების აღმოსაჩენად, დასავალიდაციებლად და გასასწორებლად.
უსაფრთხოება და საწარმოო კონტროლი
რადგან ეს Microsoft-ის პირველი კიბერმოდელია, კომპანია განსაკუთრებით უსვამს ხაზს ნდობის საკითხს. მოდელი განვითარდა უსაფრთხოებაზე ორიენტირებული კალიბრაციით და შეამოწმა Microsoft-ის AI Red Team-მა.
ჩატარდა როგორც ავტომატიზებული, ისე ექსპერტების მიერ წარმართული შეჯიბრებითი ტესტები, ხოლო დამოუკიდებელი შეფასება მესამე მხარემ გააკეთა.
MDASH-ის მეშვეობით მომხმარებლები იღებენ საწარმოო დონის კონტროლს:
- როლებზე დაფუძნებული წვდომის კონტროლი
- ტენანტების იზოლაცია
- დაშიფვრა
- აუდიტის შესაძლებლობა
- სენდბოქსირებული გარემო ინტერნეტთან წვდომის გარეშე
უწყვეტი სწავლის ციკლი
Microsoft-ი კიბერუსაფრთხოებას აღწერს არა უბრალოდ მონაცემებით მდიდარ სფეროდ, არამედ ცოცხალ განმტკიცებითი სწავლების ციკლად. ყოველდღიურად დამცველები იძიებენ საფრთხეებს, ალაგებენ შეტყობინებებს, ასწორებენ სისუსტეებს და შედეგებზე სწავლობენ.
კომპანიის არგუმენტი ისაა, რომ მას ამ ციკლის სრული სურათი აქვს: რა იყო ექსპლუატირებადი, რა შეიზღუდა, რა დაიბლოკა და რა იმუშავა რეალურად. სწორედ ამაზეა აშენებული MAI-Cyber-1-Flash-ის განვითარების ლოგიკა.
სხვა თემები
კოლექტიური კიბერთავდაცვა: OpenAI-ის ღია წერილი
GlucoFM – Google-ის ახალი AI მოდელი
პერსონალიზებული mRNA კიბოს ვაქცინა Phase 3 კვლევაში წარმატებული აღმოჩნდა