ZAP扩展项目graphql-v0.26.0版本发布:增强GraphQL安全检测能力
ZAP(Zed Attack Proxy)是一款广受欢迎的开源Web应用安全测试工具,其强大的扩展机制允许开发者为其添加各种功能模块。本次发布的graphql-v0.26.0版本是ZAP扩展项目中专注于GraphQL安全检测的重要更新,为安全研究人员和开发者提供了更全面的GraphQL API安全检测能力。
GraphQL作为一种现代化的API查询语言,近年来在Web开发中越来越流行。与传统REST API不同,GraphQL允许客户端精确指定需要的数据字段,这种灵活性也带来了新的安全挑战。ZAP的GraphQL扩展正是为了帮助开发者识别和解决这些安全问题而设计。
核心功能改进
本次0.26.0版本带来了多项重要改进,首先是提升了最低支持的ZAP版本要求至2.16.0。这一变化确保了扩展能够充分利用ZAP核心的最新功能和安全修复。同时,该版本也更新了对Common Library add-on的依赖版本,解决了Issue 8016中提出的兼容性问题。
在功能增强方面,最值得关注的是新增了对多种GraphQL引擎的指纹识别能力。安全研究人员现在可以检测以下GraphQL实现:
- pg_graphql(PostgreSQL的GraphQL扩展)
- tailcall(高性能GraphQL服务器)
- Hot Chocolate(.NET平台的GraphQL服务器)
- Inigo(企业级GraphQL网关)
这些指纹识别能力的加入大大扩展了工具的应用场景,使得针对不同技术栈的GraphQL实现都能进行有效检测。
实用新特性
0.26.0版本引入了一个非常实用的功能:支持从文件导入introspection查询响应(Issue 8569)。Introspection是GraphQL的一项重要特性,允许客户端查询API的模式信息。通过从文件导入这些信息,安全测试可以在不直接向生产环境发送查询的情况下进行,这在对敏感系统进行安全评估时特别有价值。
另一个值得注意的改进是与Tech Detection(Wappalyzer)add-on的集成。当检测到GraphQL引擎时,相关信息会自动添加到Technology标签页中。这一集成使得技术栈分析更加全面,帮助安全团队更清晰地了解目标系统的技术构成。
维护与优化
除了上述功能增强外,本次发布还包含了一系列维护性更新,包括代码优化和内部改进。这些变更虽然对终端用户不可见,但有助于提高扩展的稳定性和性能,为未来的功能扩展奠定基础。
对于安全研究人员和开发者而言,graphql-v0.26.0版本的发布意味着更强大的GraphQL安全检测工具。无论是进行常规安全审计还是针对特定GraphQL实现的深入分析,这个扩展都提供了必要的功能支持。随着GraphQL技术的普及,这类专门的安全工具将变得越来越重要。
AutoGLM-Phone-9BAutoGLM-Phone-9B是基于AutoGLM构建的移动智能助手框架,依托多模态感知理解手机屏幕并执行自动化操作。Jinja00
Kimi-K2-ThinkingKimi K2 Thinking 是最新、性能最强的开源思维模型。从 Kimi K2 开始,我们将其打造为能够逐步推理并动态调用工具的思维智能体。通过显著提升多步推理深度,并在 200–300 次连续调用中保持稳定的工具使用能力,它在 Humanity's Last Exam (HLE)、BrowseComp 等基准测试中树立了新的技术标杆。同时,K2 Thinking 是原生 INT4 量化模型,具备 256k 上下文窗口,实现了推理延迟和 GPU 内存占用的无损降低。Python00
GLM-4.6V-FP8GLM-4.6V-FP8是GLM-V系列开源模型,支持128K上下文窗口,融合原生多模态函数调用能力,实现从视觉感知到执行的闭环。具备文档理解、图文生成、前端重构等功能,适用于云集群与本地部署,在同类参数规模中视觉理解性能领先。Jinja00
HunyuanOCRHunyuanOCR 是基于混元原生多模态架构打造的领先端到端 OCR 专家级视觉语言模型。它采用仅 10 亿参数的轻量化设计,在业界多项基准测试中取得了当前最佳性能。该模型不仅精通复杂多语言文档解析,还在文本检测与识别、开放域信息抽取、视频字幕提取及图片翻译等实际应用场景中表现卓越。00
GLM-ASR-Nano-2512GLM-ASR-Nano-2512 是一款稳健的开源语音识别模型,参数规模为 15 亿。该模型专为应对真实场景的复杂性而设计,在保持紧凑体量的同时,多项基准测试表现优于 OpenAI Whisper V3。Python00
GLM-TTSGLM-TTS 是一款基于大语言模型的高质量文本转语音(TTS)合成系统,支持零样本语音克隆和流式推理。该系统采用两阶段架构,结合了用于语音 token 生成的大语言模型(LLM)和用于波形合成的流匹配(Flow Matching)模型。 通过引入多奖励强化学习框架,GLM-TTS 显著提升了合成语音的表现力,相比传统 TTS 系统实现了更自然的情感控制。Python00
Spark-Formalizer-X1-7BSpark-Formalizer 是由科大讯飞团队开发的专用大型语言模型,专注于数学自动形式化任务。该模型擅长将自然语言数学问题转化为精确的 Lean4 形式化语句,在形式化语句生成方面达到了业界领先水平。Python00