Microsoft FORGE Lab нашла 140 уязвимостей в Windows и Linux

Microsoft FORGE Lab обнаружила 140 уязвимостей в Windows и Linux

Лаборатория Microsoft Security FORGE Lab занимается исследованием и разработкой автономных систем безопасности. Её цель — поиск и устранение уязвимостей нулевого дня с помощью искусственного интеллекта. Исследователи следуют четырём принципам: автономия вместо ручного труда, защита через нападение, создание экосистем вместо отдельных примеров и понимание вместо простого обнаружения. Эти принципы применяются при работе с операционными системами Windows, ядром Linux и популярными проектами с открытым исходным кодом.

140 CVE получили подтверждение с мая по сентябрь 2026 года

С мая по сентябрь 2026 года FORGE Lab помогла выявить 140 уязвимостей в Windows, получивших идентификаторы CVE (Common Vulnerabilities and Exposures). Из них 52 уязвимости были устранены в рамках сентябрьского релиза безопасности. Исследования вышли за пределы Windows: команда отправила 155 отчётов по 23 проектам с открытым исходным кодом, включая ядро Linux. Один из отчётов, поданный через инициативу Linux Foundation Akrites, стал первым, результатом которого стало исправление, интегрированное в ядро Linux. Эти результаты демонстрируют возможность масштабирования обнаружения уязвимостей с помощью ИИ. Однако для эффективного устранения требуется система, способная обрабатывать валидацию, исправление и выпуск обновлений.

Автономное обнаружение уязвимостей требует масштабируемой валидации и исправления

Исследователи FORGE Lab используют многомодельную систему сканирования под кодовым названием MDASH. Она помогает организовать процесс обнаружения и валидации уязвимостей. Система позволяет автоматизировать повторяющиеся задачи, такие как создание доказательств уязвимости (PoV) и концептуальных доказательств (PoC), сборку сред для тестирования и поиск триггеров. Это снижает нагрузку на инженеров и ускоряет процесс исправления. Важным аспектом является превращение результатов сканирования в обучающие данные для улучшения будущих моделей. Система собирает информацию о подтверждённых и ложных срабатываниях, дубликатах, результатах проверки и отзывах рецензентов. Эти данные используются для обучения моделей, чтобы они могли не только находить уязвимости, но и понимать, какие из них проходят валидацию, какие объяснения помогают специалистам и какие паттерны приводят к успешному исправлению.

Валидация и исправление становятся частью цикла разработки

Валидация и исправление уязвимостей рассматриваются как неотъемлемая часть процесса обнаружения, а не как последующий этап. Каждый найденный кандидат проходит через автоматическую проверку, ручное рецензирование, разработку патча и регрессионное тестирование. Результаты каждого этапа возвращаются в систему для дальнейшего улучшения. Воспроизводимый триггер не только подтверждает уязвимость, но и помогает в разработке исправления и создании регрессионных тестов. Неудачная валидация также предоставляет ценную информацию о причинах, таких как недостижимый путь выполнения, отсутствующие предварительные условия или некорректная конфигурация сборки. Система MDASH интегрируется с процессами непрерывной интеграции и непрерывной поставки (CI/CD). Это позволяет связывать найденные уязвимости с артефактами сборки и передавать результаты валидации обратно в разработку. Цель состоит в автоматизации повторяющихся задач, таких как поиск кандидатов, выбор артефактов, воспроизведение поведения и сохранение доказательств, при сохранении чёткой ответственности инженеров.

Источник: Microsoft Security