Microsoft का MDASH AI: Patch Tuesday से पहले Windows की 16 सुरक्षा कमजोरियां कैसे पकड़ी गईं

MDASH ने किन कमजोरियों को पकड़ा

MDASH‑आधारित विश्लेषण मुख्य रूप से Windows के नेटवर्किंग और ऑथेंटिकेशन सिस्टम पर केंद्रित था। ये वही हिस्से होते हैं जिन्हें हमलावर अक्सर निशाना बनाते हैं, क्योंकि ये ऑपरेटिंग सिस्टम के मूल ढांचे के करीब होते हैं।

AI की मदद से खोजी गई कमजोरियों में चार क्रिटिकल RCE बग शामिल थे, जो इन हिस्सों में पाए गए:

• Windows kernel का TCP/IP नेटवर्किंग स्टैक
• Internet Key Exchange version 2 (IKEv2)
• Netlogon authentication service
• DNS API library

Remote Code Execution (RCE) खामियां खास तौर पर खतरनाक मानी जाती हैं, क्योंकि इनके जरिये हमलावर किसी सिस्टम पर मनचाहा कोड चला सकते हैं—जिससे पूरे कंप्यूटर या एंटरप्राइज नेटवर्क पर नियंत्रण मिल सकता है।

ये सभी खोजें मई 2026 Patch Tuesday अपडेट का हिस्सा बनीं, जिसमें कुल मिलाकर लगभग 120 सुरक्षा कमजोरियां ठीक की गईं।

MDASH क्या है और इसे क्यों बनाया गया

MDASH एक multi‑model, agent‑based सुरक्षा सिस्टम है। इसका उद्देश्य उस काम को तेज़ करना है जो आमतौर पर सुरक्षा शोधकर्ता करते हैं—यानी सॉफ्टवेयर में छिपी कमजोरियों की तलाश।

एक ही मॉडल या साधारण स्कैनर के बजाय, यह प्लेटफ़ॉर्म 100 से अधिक विशेष AI एजेंटों को समन्वित तरीके से इस्तेमाल करता है, जो बड़े कोडबेस का विश्लेषण करते हैं।

इसे Microsoft की Autonomous Code Security टीम ने Windows Attack Research and Protection समूह के साथ मिलकर विकसित किया है।

लक्ष्य स्पष्ट है: Windows जैसे विशाल सॉफ्टवेयर प्रोजेक्ट में संभावित सुरक्षा खामियों को इंसानों से कहीं तेज़ी से पहचानना।

मल्टी‑एजेंट सिस्टम कैसे काम करता है

MDASH का काम एक चरणबद्ध प्रक्रिया में होता है, जहां अलग‑अलग AI एजेंट एक ही कोड को विभिन्न दृष्टिकोणों से जांचते हैं।

1. तैयारी और खतरा मॉडलिंग

सबसे पहले सिस्टम सोर्स कोड को पढ़ता है और संभावित attack surface की पहचान करता है—यानी वह हिस्से जहां से हमले हो सकते हैं।

2. बड़े पैमाने पर AI स्कैनिंग

इसके बाद दर्जनों या सैकड़ों विशेष ऑडिटिंग एजेंट एक साथ कोड का विश्लेषण करते हैं और संभावित कमजोरियों के बारे में परिकल्पनाएं (hypotheses) बनाते हैं।

3. एजेंटों की “बहस” और सत्यापन

एक अलग समूह के एजेंट इन निष्कर्षों को चुनौती देते हैं या सत्यापित करते हैं—कुछ हद तक वैसे ही जैसे सुरक्षा शोधकर्ता आपस में चर्चा करते हैं।

4. डुप्लिकेट हटाना

समान या दोहराए गए निष्कर्षों को एक साथ मिलाकर रिपोर्ट को साफ किया जाता है।

5. प्रमाण तैयार करना

अंत में सिस्टम यह साबित करने की कोशिश करता है कि कमजोरी वास्तव में exploit की जा सकती है या नहीं।

यह पूरा मॉडल मानवीय सुरक्षा शोध की प्रक्रिया—जैसे परिकल्पना, जांच और प्रमाण—को मशीन‑स्पीड पर चलाने जैसा है।

शुरुआती परीक्षण परिणाम

शुरुआती परीक्षणों से संकेत मिलता है कि MDASH का प्रदर्शन मजबूत है।

रिपोर्टों के अनुसार, सिस्टम ने CyberGym vulnerability benchmark पर लगभग 88% स्कोर हासिल किया, जो उस मूल्यांकन में कई अन्य टूल्स से बेहतर था।

आंतरिक प्रयोगों में यह एक टेस्ट ड्राइवर सैंपल में सभी इंजेक्ट की गई कमजोरियों को पहचानने में भी सफल रहा, जिससे नियंत्रित परिस्थितियों में इसकी रिकॉल क्षमता मजबूत दिखाई देती है।

हालांकि ये परिणाम वास्तविक दुनिया की पूरी गारंटी नहीं देते, लेकिन यह दिखाते हैं कि AI एजेंट बड़े कोडबेस में कमजोरियों की खोज में वास्तविक मदद कर सकते हैं।

असली दुनिया में पहली झलक

सबसे महत्वपूर्ण बात यह है कि MDASH की पहली सार्वजनिक उपलब्धि सिर्फ लैब परीक्षण नहीं थी। इसने ऐसी कमजोरियां खोजीं जो वास्तव में Windows के प्रोडक्शन अपडेट में पैच की गईं।

यह इसलिए महत्वपूर्ण है क्योंकि कई सुरक्षा उपकरण शोध स्तर पर तो अच्छे लगते हैं, लेकिन वास्तविक सॉफ्टवेयर में उपयोगी परिणाम नहीं दे पाते।

यहां MDASH ने Windows के नेटवर्किंग और ऑथेंटिकेशन जैसे उच्च‑जोखिम वाले हिस्सों में बग खोजे—जो दिखाता है कि यह सिस्टम पहले से ही महत्वपूर्ण attack surfaces पर काम कर सकता है।

Microsoft की “AI‑speed defense” रणनीति

Microsoft इस पहल को अपनी व्यापक रणनीति का हिस्सा बताता है जिसे वह “defense at AI speed” कहता है।

तर्क सीधा है: अगर हमलावर AI का इस्तेमाल करके तेजी से कमजोरियां ढूंढ सकते हैं, तो रक्षकों को भी उसी गति से काम करने वाले टूल चाहिए।

कंपनी की योजना है कि MDASH को एंटरप्राइज ग्राहकों के लिए private preview में उपलब्ध कराया जाए, ताकि संगठन अपने वातावरण में AI‑सहायता प्राप्त vulnerability discovery का प्रयोग कर सकें।

यदि यह सफल रहा, तो ऐसे सिस्टम भविष्य में सॉफ्टवेयर सुरक्षा के काम करने के तरीके को बदल सकते हैं—जहां AI एजेंट और मानव शोधकर्ता मिलकर लगातार जटिल सिस्टम में कमजोरियां खोजते रहेंगे, हमलावरों से पहले।