feat(ms-ai-architect): idx-33 renvasket mot levende CAF, idx-36 var to instanser ikke en companion [skip-docs]

idx-33 RESOLVED SOM CHECKED-AND-CLEAR, ingen KB-edit. Entryen sa selv at et
premiss var umaalt: whether the CAF attribution is itself supported has not
been checked. Maalt 2026-08-13 mot levende Cloud Adoption Framework Secure AI
via microsoft-learn MCP: alle fire elementene i anker-linja staar paa sida
(Azure Resource Graph for asset inventory, managed identities + virtual
networks, APIM for MCP-endepunkter, Purview IRM for prompt-based data
exfiltration). Attribusjonen holder.

Stempel-dekningen maalt FOERST (#29), og den peker motsatt vei av idx-26i:
den fila hadde null stempler, saa klassen kunne ikke overfoeres. Her finnes
5 x (Verified MCP 2026-04) og ett av dem sitter PAA anker-linja, saa klassen
gjelder og testen blir om stempelet er fortjent. Det er det.

Kryss-fil-paastanden adjudisert under #33 - sveip lokaliserer, kilden
adjudiserer. Entryens fire filer er maalt til TRE (incident-response,
data-leakage-prevention, norge-ai-strategy); alle attribuerer til CAF og
alle er dekket. r11-pilot-results 9.5 skrev at least four og enumererte
selv tre. #33 tjente dessuten sin plass paa en fjerde fil:
ai-security-scoring-framework.md:135 parer Azure Resource Graph med Defender
for Cloud - samme produktpar som VAR defekten her - og er KORREKT der, fordi
den fila siterer defender-for-cloud/resource-graph-samples. Samme streng,
annen kilde, motsatt dom. Bokfoert checked-and-clear.

idx-36 ANVENDT, to editer i samme fil, samme commit (#32-formen).
Subtraksjonen verifisert mot kilden fila selv kaller Authoritative guide:
#2a targeted poisoning = Critical, #2b indiscriminate = Important, #10
backdoor = Critical. Raden ga Critical til begge variantene.

ENTRYENS EGET ANKER PEKTE PAA FEIL LINJE. Koea ankret paa Oker severity bar
(spm. 4, physical domain) - som ikke siterer poisoning-raden og ikke er
defekt. Evidensen sier prose at 310; lest ordrett ut av 957ebef^ er
pre-edit 310 = Backdoored models og data poisoning er Critical-severity
trusler (spm. 3, post-edit 309). anchors-feltet staar urort som historisk
record; korreksjonen ligger i resolution.

OG FRAMINGEN SNUDDE: 9.5 holdt idx-36 tilbake fordi tabellen ville bli mer
presis enn prosaen som siterer den - companion-editen som KONSEKVENS av
editen. Maalt mot kilden over-paastaar l.309 allerede i dag. Tabell-editen
skaper ikke feilen, den avdekker den. To instanser av EN defekt, ikke en
out-of-envelope companion.

Enumerasjon lukket foer anvendelse: 8 poisoning-linjer, kun 38 og 309 baerer
severity-paastand. Cond 3 (slipp dekningen vs legg til rad) ratifisert som
slipp - fila blir taus om indiscriminate, ikke usann. Prosa-editen er en
INNSETTING, saa apply-o2-ratified.mjs kunne ikke skrive den: begge editer
haandlagt med hel-linje-unikhet sjekket foerst (1 treff hver) og diff lest i
kontekst etterpaa. Fila uendret paa 368 linjer.

NY ENTRY idx-33a reist, ikke roert: l.213 under Defender-blokka dropper
identity og legger til AI models mot levende AISPM-side, og filas 8 kilder
inneholder ingen Defender AISPM-kilde - stemplet blokka siterer utenfor
filas egen kildeliste. Koea: 59 entries (4 aapne, 55 resolved).

Suite 1052/1052. check-g7-queue exit 0.

[skip-docs]: ren KB-korrektur, ingen endring i kommandoer/agenter/skills/hooks.

skills/ms-ai-security/references/ai-security-engineering/ai-threat-modeling-stride.md

@@ -35,7 +35,7 @@ I norsk offentlig sektor er strukturert trusselmodellering et krav for AI-system
 | STRIDE Category | AI-Specific Threat | Severity | Mitigation Focus |
 |-----------------|-------------------|----------|------------------|
 | **Spoofing** | Neural Net Reprogramming, Malicious ML Providers | Important-Critical | Strong API authentication, access control, client-server mutual auth |
-| **Tampering** | Data Poisoning (targeted/indiscriminate), Backdoored Models | Critical | Training data validation, anomaly detection, RONI defense, bagging |
+| **Tampering** | Data Poisoning (targeted), Backdoored Models | Critical | Training data validation, anomaly detection, RONI defense, bagging |
 | **Repudiation** | Model output manipulation, training data lineage loss | Moderate | Logging, audit trails, data provenance tracking |
 | **Information Disclosure** | Model Inversion, Membership Inference, Model Stealing | Important-Critical | Rate limiting, access control, output obfuscation, differential privacy |
 | **Denial of Service** | Confidence Reduction, Random Misclassification | Important | Adversarial training, feature denoising, input validation |
@@ -306,7 +306,7 @@ STRIDE Mapping: Tampering
    - *Hvorfor:* Model APIs er primær angrepsfelt for extraction, inversion, adversarial attacks.
 
 3. **Supply Chain Dependencies:** "Brukes pre-trained models eller third-party data? Hvordan verifiseres integritet?"
-   - *Hvorfor:* Backdoored models og data poisoning er Critical-severity trusler.
+   - *Hvorfor:* Backdoored models og targeted data poisoning er Critical-severity trusler.
 
 4. **Physical Domain Impact:** "Kan AI-beslutninger manifestere seg fysisk (e.g., autonomous systems, safety-critical)?"
    - *Hvorfor:* Øker severity bar; krever mer robust adversarial defenses.