DefectDojo 2.42.0版本发布:安全管理平台的重要更新
DefectDojo是一个开源的缺陷管理和安全合规平台,它帮助安全团队高效地管理应用程序安全测试结果。作为一个功能强大的工具,DefectDojo提供了问题跟踪、报告生成、工作流自动化等功能,被广泛应用于DevSecOps流程中。
核心功能增强
本次2.42.0版本带来了多项重要更新,特别是在API端点和UI方面的改进值得关注。在API方面,新增了测试导入端点的排序功能,允许用户在导入或重新导入时设置Active/Verified为None选项,这与UI选项保持一致,提供了更灵活的集成能力。此外,还新增了请求/响应API的CRUD端点,为开发者提供了更完整的接口支持。
在用户界面方面,产品类型视图下新增了筛选功能,使管理员能够更高效地管理大量产品。仪表板中的"按月报告发现严重性"图表也从按日显示改为按月显示,提供了更宏观的趋势视图。
安全问题识别改进
本次更新特别加强了问题识别能力,新增了对CGA、DTSA和GLSA Gentoo等安全标识符的支持。这些改进使DefectDojo能够识别更多类型的安全报告,特别是来自不同发行版和特定安全公告的信息。
在问题解析方面,通用CSV解析器现在支持EPSS(安全事件预测评分系统)分数和百分位数,这为安全团队评估风险提供了更丰富的数据维度。同时修复了RHS(右侧)去重功能的问题,确保数据的一致性。
系统集成与通知优化
JIRA集成功能得到增强,现在当风险接受过期时,系统会正确更新与发现组关联的JIRA问题。此外,新增了一个筛选器,可以查找任何关联了JIRA(无论是分组还是单个)的发现项。
通知系统进行了重构,转换为基于类的实现,提高了代码的可维护性和扩展性。请求审核通知现在使用用户名而非其他标识符,使通知更加直观易懂。
技术架构与维护更新
在技术架构方面,本次更新将Ruff静态分析工具升级到0.8.1版本,并修复了多个代码质量问题。系统设置方面移除了SHA配置,简化了部署流程。OAuth2认证方面修复了Google OAuth2允许列表问题,提高了认证安全性。
依赖项管理方面,更新了多个Python库,包括boto3、python-gitlab、django等核心组件,确保系统运行在最新的安全补丁上。前端依赖如vite、pdfmake等也同步更新,提升了前端性能和安全性。
部署与文档改进
对于使用Docker和Kubernetes部署的用户,本次更新修复了Helm图表中的版本锁定问题,并优化了docker-compose.yml文件,添加了uWSGI相关变量。文档方面进行了全面维护,移除了外部图片引用,更新了多篇文章内容,并修复了大小写敏感的引用问题,使文档更加规范和易读。
总体而言,DefectDojo 2.42.0版本在功能、安全性和用户体验方面都有显著提升,为安全团队提供了更强大、更可靠的工具来管理日益复杂的安全问题和合规需求。
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