Tự động hóa bảo mật bằng AI để phát hiện và vá lỗ hổng không còn là công nghệ của tương lai xa, mà đã sẵn sàng để triển khai trong thực tiễn. Theo Microsoft, hiệu quả của cách tiếp cận này tăng rõ rệt khi kết hợp nhiều mô hình AI và nhiều agent trong cùng một hệ thống.

Chia sẻ tại Codegate 2026, cuộc thi và hội nghị an ninh mạng quốc tế diễn ra tại Coex, Seoul, ngày 24/7, ông Kim Tae-su, Phó chủ tịch phụ trách Agentic Security của Microsoft, đã nêu quan điểm về tốc độ phát triển của AI và tác động của công nghệ này đối với lĩnh vực bảo mật.

Theo ông Kim, mô hình ngôn ngữ lớn (LLM) cho thấy năng lực rất mạnh, nhưng vẫn có thể mắc những lỗi cơ bản. Vì vậy, yếu tố then chốt khi ứng dụng AI là xác định rõ phần việc nào giao cho hệ thống và phần việc nào vẫn cần con người đưa ra quyết định.

Ông cũng nhận định nghiên cứu bảo mật ứng dụng AI agent đang chuyển trọng tâm từ “prompt engineering” sang thiết kế hệ thống.

Nếu ở giai đoạn đầu, hiệu quả còn phụ thuộc nhiều vào các kỹ thuật prompt như Chain of Thought để dẫn dắt suy luận theo từng bước, hay Few-shot để cung cấp ví dụ, thì hiện nay kết quả ngày càng phụ thuộc vào kiến trúc phối hợp nhiều agent, ông cho biết.

Ông Kim cũng giới thiệu kinh nghiệm tham gia AI Cyber Challenge (AIxCC) do Cơ quan Dự án Nghiên cứu Tiên tiến Quốc phòng Mỹ (DARPA) tổ chức, cùng dự án MDASH do Microsoft phát triển.

Tại AIxCC, nhóm do ông Kim dẫn dắt chọn cách vận hành đồng thời nhiều agent thay vì chỉ dựa vào một mô hình duy nhất, sau đó tổng hợp kết quả. Theo ông, cách phối hợp nhiều mô hình cho hiệu quả phát hiện lỗ hổng cao hơn đáng kể so với việc chỉ dùng một mô hình.

Hệ thống của nhóm được xây dựng quanh hai luồng công việc chính. Luồng thứ nhất là phân tích các sự cố chương trình bị crash để truy tìm nguyên nhân. Luồng còn lại là tạo bản vá dựa trên kết quả phân tích.

Nhóm cũng áp dụng kiến trúc trong đó một agent trung tâm tách nhỏ bài toán và giao cho các agent phụ xử lý. Ông Kim cho biết kết quả cuối cùng phụ thuộc lớn vào việc đội ngũ có sử dụng công cụ phân tích tĩnh (static analyzer) hay không, cũng như cách tổ chức ngữ cảnh cung cấp cho agent. Theo ông, hiệu quả hệ thống bị chi phối mạnh bởi cách kết hợp các công cụ phân tích sẵn có với AI, hoặc lựa chọn chỉ dùng AI để tìm lỗ hổng, cùng với mức độ tài liệu tham chiếu được đưa vào cho mô hình.

Sau cuộc thi, nhóm đã phát hành hệ thống dưới dạng mã nguồn mở và công bố kèm benchmark đánh giá.

Ông Kim cho biết kinh nghiệm từ AIxCC sau đó được Microsoft chuyển hóa thành sản phẩm. Kết quả là dự án MDASH được hãng giới thiệu tại hội nghị nhà phát triển Build hồi tháng 6.

Theo giới thiệu của Microsoft, MDASH mô phỏng quy trình tìm lỗ hổng của một chuyên gia kiểm thử xâm nhập bằng cách phân tích lịch sử kho mã nguồn và hồ sơ lỗ hổng trong quá khứ, từ đó xác định các điểm yếu tiềm ẩn.

Hệ thống không chỉ dừng ở khâu phát hiện. Mỗi lỗ hổng sau đó còn được đưa qua các bước xác minh tương tự quy trình rà soát của lập trình viên. Tiếp đó, MDASH tự tạo bản vá và hỗ trợ cả khâu kiểm thử để xác nhận bản vá hoạt động đúng như kỳ vọng.

Trường hợp ứng dụng thực tế đầu tiên của MDASH là đội fuzzing Windows kernel tại Microsoft. Fuzzing là kỹ thuật kiểm thử bảo mật bằng cách đưa lượng lớn dữ liệu đầu vào ngẫu nhiên hoặc bất thường vào chương trình để tìm lỗi và lỗ hổng.

Theo ông Kim, đội ngũ Microsoft đã phát hiện được những lỗ hổng thông qua MDASH mà trước đó không tìm ra dù đã fuzzing trong thời gian dài. Ông cũng cho biết hơn 90% lỗ hổng do MDASH báo cáo đã được các lập trình viên xác nhận là hợp lệ.

Ông Kim đồng thời công bố kết quả benchmark của MDASH. Theo đó, ngay cả khi sử dụng mô hình có hiệu năng tương đối thấp, hệ thống vẫn cho thấy năng lực nghiên cứu bảo mật ở mức trung cấp. Khi áp dụng mô hình mạnh hơn, tỷ lệ thành công tăng lên 98%. Ông nhấn mạnh mô hình càng mạnh thì hạ tầng hỗ trợ phía sau càng trở nên quan trọng.