Todas las noticias
Técnica

GitHub y Microsoft prueban Codename MDASH para parches open source con IA

Por JP Software ·

Una mano con un guante de jardinero estampado usando tijeras de podar para cortar una rama de un rosal con espinas.
Foto: Ray_Shrewsberry vía Pixabay

GitHub y Microsoft presentaron los resultados del piloto Codename MDASH, un sistema diseñado para escanear vulnerabilidades en software open source y entregar reportes verificados con parches sugeridos. La iniciativa busca frenar la sobrecarga que sufren los desarrolladores al recibir miles de alertas automatizadas generadas por inteligencia artificial que carecen de contexto o resultan ser falsos positivos.

Datos clave

  • Codename MDASH redujo miles de alertas brutas a 99 reportes privados en seis proyectos seleccionados, según GitHub.
  • 55 vulnerabilidades ya fueron corregidas al 15 de noviembre, y 14 de esos parches ya están en versiones publicadas, según GitHub.
  • Siete investigadores de Microsoft FORGE Lab revisaron manualmente cada reporte antes de enviarlo, invirtiendo cerca de dos días por proyecto, según GitHub.
  • El equipo de ImageMagick, integrado por dos personas, redujo el tiempo de corrección a 15 minutos frente al promedio habitual de 30 a 60 minutos, según sus mantenedores.

El flujo de trabajo con Codename MDASH

El proceso implementado en el piloto se divide en cinco etapas diseñadas para que los mantenedores no lidien con salidas crudas de modelos:

  1. Escaneo: Codename MDASH analizó el código utilizando el modelo MAI Cyber de Microsoft Security para identificar fallas y sugerir soluciones.
  2. Filtrado: Un agente de GitHub Security Lab eliminó duplicados y descartó reportes inválidos usando habilidades personalizadas de Copilot.
  3. Verificación manual: Investigadores de Microsoft FORGE Lab validaron a mano cada caso restante.
  4. Reporte privado: Los avisos se entregaron por medio de Private Vulnerability Reporting (PVR) en GitHub con una prueba de concepto y una propuesta de parche.
  5. Corrección: Los mantenedores decidieron de forma autónoma cómo y cuándo integrar las soluciones.

Los proyectos analizados incluyeron herramientas ampliamente utilizadas como AutoGPT, Caddy, Express, FastMCP, ImageMagick y Netty, todos participantes del GitHub Secure Open Source Fund. En Caddy, por ejemplo, los desarrolladores resolvieron los 22 reportes recibidos en una semana o menos.

El reto de la escala en seguridad abierta

A pesar de los resultados positivos, el proceso requirió dos días de trabajo humano por proyecto por parte de los investigadores para revisar cada hallazgo. Microsoft anunció MAI Cyber 2 para continuar refinando las capacidades defensivas, mientras GitHub busca integrar estas lecciones directamente en su flujo de avisos de seguridad y autofix con Copilot.

Por qué te importa

Casi cualquier arquitectura moderna se apoya en librerías open source de uso común como Express o Netty. Cuando las herramientas de IA inundan a los mantenedores con reportes no verificados, se genera fatiga y demoras críticas en parches reales. El cambio hacia reportes que incluyan pruebas de concepto y soluciones directas acelera el tiempo de respuesta en la cadena de suministro de software de la que depende tu infraestructura.

Comparte esta nota