使用SBOM工具为Gradle项目生成构建感知的SBOM文件
在软件开发过程中,软件物料清单(SBOM)对于安全审计和依赖管理至关重要。本文将详细介绍如何利用microsoft/sbom-tool为Gradle项目生成包含完整依赖信息的构建感知SBOM。
背景知识
SBOM(Software Bill of Materials)是记录软件组件及其关系的清单文件。对于基于Gradle构建的Java项目,传统的SBOM生成方式可能无法捕获完整的依赖树,特别是间接依赖关系。microsoft/sbom-tool提供了解决方案,但需要正确配置才能生成完整的构建感知SBOM。
传统方法的局限性
直接运行sbom generate命令通常只会生成项目文件级别的SBOM,而不会包含构建过程中的依赖信息。这是因为Gradle的依赖解析是动态进行的,需要特殊处理才能捕获完整的依赖树。
解决方案:通过Gradle锁文件生成SBOM
1. 修改build.gradle配置
首先需要在项目的build.gradle文件中添加依赖锁定配置。在dependencies{}块之前添加以下内容:
configurations {
releaseRuntimeClasspath {
resolutionStrategy.activateDependencyLocking()
}
}
这段配置会为releaseRuntimeClasspath配置启用依赖锁定功能,这是生成完整依赖树的关键步骤。
2. 检查可用配置
在命令行中运行以下命令可以查看所有可用的配置:
gradle resolvableConfigurations
要检查特定配置(如releaseRuntimeClasspath)的依赖关系,可以运行:
gradle dependencies --configuration releaseRuntimeClasspath
3. 生成锁文件
执行以下命令生成gradle.lockfile:
gradle dependencies --write-locks
这个锁文件会记录当前项目的所有依赖关系,包括直接和间接依赖。
4. 生成SBOM
最后,使用sbom-tool生成包含完整依赖信息的SBOM:
sbom generate -b . -bc . -pn mygradle-project -pv 1.0 -ps dinesh -nsb https://dinesh.com -v Verbose
参数说明
-b:指定构建目录-bc:指定构建组件目录-pn:项目名称-pv:项目版本-ps:项目供应商-nsb:命名空间基础URI-v:详细级别
技术原理
这种方法的核心在于利用了Gradle的依赖锁定机制。当启用dependencyLocking并生成锁文件后,Gradle会将依赖解析的结果持久化到gradle.lockfile中。SBOM工具可以读取这个文件,从而获取完整的依赖信息,包括传递性依赖。
最佳实践建议
- 将gradle.lockfile纳入版本控制系统,确保团队所有成员使用相同的依赖版本
- 在CI/CD流程中集成SBOM生成步骤,确保每次构建都生成最新的SBOM
- 定期审查SBOM文件,及时发现和解决潜在的安全漏洞
- 对于多模块项目,需要在每个子模块中单独配置依赖锁定
通过这种方法生成的SBOM不仅包含项目本身的文件信息,还完整记录了构建过程中的所有依赖关系,实现了真正的构建感知SBOM,为软件供应链安全提供了坚实基础。
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