Contexte et objectifs du pilote
GitHub et Microsoft ont lancé le projet pilote Codename MDASH pour tester si l’intelligence artificielle pouvait non seulement identifier des failles, mais aussi proposer des correctifs prêts à être intégrés. Six projets open source largement utilisés ont été sélectionnés. L’objectif était double : ne transmettre aux mainteneurs que des signalements vérifiés et les accompagner d’une solution de correction.
Mécanisme de détection et de triage
Le processus débute par le scannage de chaque dépôt avec le modèle MAI Cyber de Microsoft, intégré à MDASH. Ce modèle génère des milliers de potentielles vulnérabilités. Un agent de triage IA, développé par le GitHub Security Lab et basé sur des compétences personnalisées de Copilot, élimine les doublons, valide la pertinence et ne conserve que les bugs à fort impact. Ensuite, sept chercheurs du Microsoft FORGE Lab examinent manuellement chaque résultat pendant environ deux jours par projet, afin de garantir l’absence de faux positifs. Les rapports finaux, au nombre de 99, sont transmis aux mainteneurs via le système de rapport de vulnérabilité privé de GitHub, accompagné d’une preuve de concept et d’un correctif suggéré.
Résultats et impact sur les mainteneurs
Au 15 novembre, les mainteneurs avaient déjà corrigé 55 des 99 rapports, dont 14 étaient intégrés dans une version officielle. Le projet Caddy a résolu les 22 signalements reçus en moins d’une semaine, en appliquant les correctifs proposés avec peu ou pas de modification. Le mainteneur d’AutoGPT a intégré un correctif en moins de 24 heures, après avoir affiné le patch suggéré. Pour ImageMagick, deux développeurs ont reçu 22 rapports ; l’un d’eux a été corrigé en 15 minutes grâce à la localisation précise du problème et au correctif fourni. Ces chiffres montrent que la combinaison d’une IA de détection, d’un triage automatisé et d’une validation humaine réduit le temps moyen de traitement d’une vulnérabilité de 30 minutes‑1 heure à quelques minutes, tout en limitant le bruit des rapports non pertinents.
Limites et perspectives
Le pilote repose encore sur une intervention humaine importante : les chercheurs passent deux jours par projet à vérifier les résultats, ce qui ne scale pas à l’ensemble de l’écosystème open source. De plus, les mainteneurs doivent disposer d’un environnement de CI/CD capable d’appliquer des correctifs sur des fourches privées, ce qui peut être contraignant pour de petites équipes. Enfin, le modèle MAI Cyber utilisé était la version initiale ; Microsoft a annoncé MAI Cyber 2, dont les performances restent à mesurer. Malgré ces contraintes, le modèle prouve qu’un flux de rapports « prêt‑à‑corriger » diminue la charge de triage et accélère la mise en production des correctifs, offrant ainsi un nouveau standard pour les contributions de sécurité basées sur l’IA.