Riset Keamanan Microsoft Ungkap Tantangan Baru dalam Pendeteksian Celah Menggunakan AI
Microsoft mengungkap tantangan baru dalam pemanfaatan teknologi kecerdasan buatan untuk mendeteksi dan memperbaiki celah keamanan perangkat lunak. Melalui penelitian yang dipublikasikan pada 7 Oktober 2026, tim Frontier Offensive Research & Generative Exploitation atau FORGE Lab menjelaskan bahwa kemampuan AI menemukan kerentanan kini berkembang semakin cepat. Namun, penemuan tersebut belum tentu langsung menghasilkan perbaikan yang dapat diterapkan secara aman. Proses validasi, penentuan prioritas, koordinasi dengan pengembang, dan pengujian pembaruan justru menjadi tantangan berikutnya. Riset ini menunjukkan bahwa keberhasilan keamanan siber berbasis AI tidak cukup diukur melalui banyaknya celah yang ditemukan, tetapi juga melalui efektivitas penanganannya.
Mengenal Penelitian FORGE Lab tentang Pendeteksian Celah Perangkat Lunak
Riset yang dilakukan Microsoft Security menunjukkan bahwa perkembangan teknologi kecerdasan buatan semakin memengaruhi proses penelitian celah keamanan. Dalam kegiatan Frontier Offensive Research & Generative Exploitation Lab, Microsoft menguji sistem agen keamanan otomatis yang dapat menelusuri bagian sistem yang berpotensi memiliki kelemahan. Dibandingkan dengan pendekatan pencarian kesalahan konvensional, sistem berbasis AI berpotensi memahami alur eksekusi program. Kemampuan tersebut membuka peluang untuk membantu peneliti mengidentifikasi masalah sebelum dimanfaatkan penyerang. Meskipun potensinya besar, temuan otomatis tetap harus melalui validasi sebelum dianggap sebagai kerentanan nyata.
Dalam laporan yang diterbitkan pada 7 Oktober 2026, Microsoft mengidentifikasi tiga arah perkembangan dalam pengembangan teknologi keamanan siber. Aspek awal adalah peralihan dari kemampuan menemukan celah menuju penerapan berskala besar. Perubahan kedua berkaitan dengan efisiensi biaya penalaran AI. Adapun, prioritas lainnya adalah pembentukan alur pemeriksaan berkelanjutan. Rangkaian tantangan ini menggambarkan bahwa kualitas penelitian kerentanan tidak semata-mata ditentukan kemampuan model. Sebaliknya, tim keamanan harus memperhatikan apakah pembaruan berhasil diterapkan secara konsisten.
Hasil Penelitian MDASH terhadap Keamanan Windows dan Open Source
Salah satu teknologi utama dalam penelitian Microsoft adalah MDASH, yaitu kerangka pemindaian berbasis beberapa model AI. Teknologi tersebut memungkinkan penggunaan berbagai komponen analisis otomatis dalam satu alur pemeriksaan. Dengan sistem tersebut, sebagian komponen dapat menelusuri lokasi program yang mencurigakan. Sementara itu, agen lainnya dapat membantu melakukan validasi. Arsitektur tersebut berpotensi memperluas cakupan penelitian keamanan. Meskipun beberapa tahapan dapat dijalankan AI, peneliti manusia tetap diperlukan untuk menafsirkan hasil.
Menurut hasil yang dipaparkan Microsoft, penggunaan sistem tersebut mendukung pengungkapan kerentanan Windows yang berjumlah 140 CVE dalam masa penelitian dari Mei sampai September 2026. Dari jumlah tersebut, sebanyak 52 CVE ditangani dalam pembaruan keamanan September. Di luar pemeriksaan sistem operasi Microsoft, anggota FORGE juga mengirimkan 155 laporan yang melalui pemeriksaan internal pada 23 proyek perangkat lunak sumber terbuka. Proyek yang diteliti melibatkan sejumlah komponen open source penting. Pencapaian penelitian ini menunjukkan peningkatan skala keamanan berbasis AI, tetapi bukan bukti bahwa semua temuan telah diumumkan. Temuan yang diterima tetap membutuhkan verifikasi lanjutan sesuai prosedur pengungkapan keamanan.
Pentingnya Pemeriksaan Hasil Pendeteksian Celah Perangkat Lunak
Hambatan utama dalam penggunaan teknologi pemindaian cerdas adalah membedakan kerentanan nyata dari dugaan keliru. Model kecerdasan buatan mungkin memberikan laporan yang terlihat meyakinkan meskipun masalah sebenarnya belum terbukti. Kondisi tersebut berpotensi menimbulkan laporan positif palsu sehingga proses pemeriksaan menjadi lebih panjang. Tidak hanya terkait akurasi, hasil pemeriksaan yang sama berpotensi membebani proses triase. Oleh karena itu, pengembang sebaiknya berfokus pada kerentanan yang dapat direproduksi daripada mengandalkan banyaknya dugaan kelemahan.
Dalam penelitiannya Microsoft menjelaskan bahwa kemampuan menghasilkan laporan otomatis harus diimbangi dengan proses validasi yang memadai. Ketika melakukan evaluasi perangkat lunak, laporan yang berpotensi berdampak biasanya sebaiknya dikonfirmasi melalui sistem reproduksi yang sesuai. Sebagai contoh, dugaan penggunaan memori yang tidak aman sebaiknya menyertakan hasil pengujian yang dapat diulang. Apabila bukti tidak tersedia, peneliti harus meninjau ulang asumsi AI. Pemeriksaan berlapis tersebut bertujuan mengurangi perbaikan yang tidak diperlukan. Berkat validasi yang konsisten, penanganan celah berlangsung lebih terarah.
Efisiensi Biaya dan Otomatisasi Validasi dalam Riset Keamanan Microsoft
Selain ketepatan hasil, Microsoft memberikan perhatian pada efisiensi komputasi model ketika pemindaian dilakukan terhadap kode berukuran besar. Perhitungan efisiensi AI memiliki peran utama karena setiap proses analisis membutuhkan sumber daya. Dalam evaluasi FORGE Lab, MDASH menandai ribuan lokasi mencurigakan pada kernel Linux dan menghasilkan bukti pendukung untuk 627 temuan. Dari aktivitas tersebut, Microsoft menilai biaya pembuatan bukti konsep. Pengukuran tersebut membantu menentukan apakah otomatisasi benar-benar efisien. Berkat evaluasi sumber daya, tim keamanan memiliki dasar menilai manfaat tambahan setiap proses secara lebih sistematis.
Berdasarkan subset evaluasi yang dipublikasikan, Microsoft mengungkapkan bahwa pembuatan proof of concept untuk 182 temuan crash yang terkonfirmasi menghasilkan pengeluaran model sekitar 3,61 dolar AS per kasus dengan waktu rata-rata 21,5 menit. Untuk evaluasi tambahan, enam kasus terpilih yang dianalisis untuk menilai risiko eskalasi privilese tercatat menggunakan biaya model rata-rata 8,56 dolar AS dan waktu sekitar 25,4 menit. Perlu dipahami, pengukuran performa itu tidak mewakili total biaya penelitian seperti investigasi manusia. Dengan pertimbangan tersebut, hasil pengujian sebaiknya dipahami sebagai pengukuran terbatas pada kasus tertentu, bukan jaminan biaya untuk semua proyek.
Masa Depan Teknologi Keamanan Microsoft melalui Validasi Berkelanjutan
Riset keamanan Microsoft turut memperlihatkan bahwa identifikasi masalah belum menyelesaikan seluruh pekerjaan. Sesudah laporan dinyatakan valid, tim keamanan harus mengevaluasi dampak terhadap sistem. Ketika menangani komponen publik, proses koordinasi menjadi sangat penting karena mekanisme pengungkapan dapat bervariasi. Sebagian kerentanan mungkin membutuhkan laporan privat. Tidak hanya mengenai komunikasi, penerapan patch harus dipastikan tidak merusak fungsi lain. Melalui pendekatan menyeluruh, temuan AI berpotensi berubah menjadi perbaikan bermanfaat bagi pengguna perangkat lunak.
Sebagai bagian dari pengembangan tersebut, Microsoft turut mendukung Akrites, yaitu upaya kolaboratif di bawah Linux Foundation yang berfokus pada proses perbaikan masalah keamanan sumber terbuka. Berkat mekanisme koordinasi ini, tim FORGE mengirimkan sembilan temuan Linux yang dinilai memiliki skor CVSS internal lebih tinggi dari 7,0. Satu dari temuan yang disampaikan tercatat sebagai laporan pertama melalui Akrites dengan perbaikan diterima yang diterima dalam kode kernel Linux. Pencapaian ini memperlihatkan manfaat pengelolaan laporan yang bertanggung jawab. Ke depan, organisasi perlu membangun sistem penanganan kerentanan terpadu agar jumlah laporan tidak melampaui kapasitas penanganan.
Kesimpulan tentang Riset Microsoft dan Teknologi Pendeteksian Celah AI
Riset keamanan Microsoft menunjukkan bahwa kemampuan AI generatif memberikan manfaat baru dalam menemukan kelemahan kode. Berkat penerapan teknologi analisis otomatis, Microsoft mengembangkan pendekatan pendeteksian berkapasitas besar pada beragam lingkungan pengembangan. Namun demikian, volume laporan tidak otomatis menentukan keamanan. Pemeriksaan bukti teknis, pengelolaan biaya komputasi, serta penerapan patch yang aman tetap menjadi prioritas. Dengan menggabungkan otomatisasi penelitian dan pengawasan profesional, tim keamanan dapat memperkuat efektivitas perlindungan sistem. Dari sudut pandang Anda, apakah teknologi penelitian kerentanan berbasis AI akan berkembang pesat? Jangan ragu menyampaikan pandangan Anda mengenai pentingnya validasi dalam riset keamanan.
