DefectDojo 2.44.3版本发布:安全风险管理平台的重要更新
DefectDojo是一个开源的缺陷管理和安全测试平台,它帮助开发团队和安全团队跟踪、管理和报告应用程序中的安全问题。作为一个功能强大的工具,DefectDojo支持多种安全扫描工具的集成,并提供问题生命周期管理、报告生成和团队协作等功能。
核心更新内容
解析器功能增强
本次2.44.3版本对多个安全扫描工具的解析器进行了改进和优化:
-
Generic JSON解析器现在能够更明确地处理标签数据,确保与其他工具的标签处理方式保持一致。这一改进使得从不同安全工具导入的数据能够更一致地展示和管理。
-
Anchore Engine解析器进行了重构,以支持新的报告格式。Anchore Engine是一个容器镜像安全扫描工具,这次更新确保了DefectDojo能够正确解析其最新版本生成的报告。
-
新增了对Aqua Security风险报告格式的支持。Aqua Security是一个云原生安全平台,这一集成扩展了DefectDojo对容器安全扫描结果的处理能力。
风险管理改进
-
Jira Webhook集成进行了优化,现在能够防止已修复的组发现被错误地重新打开。这一改进减少了误报和重复工作,提高了团队的工作效率。
-
为Proofpoint安全问题添加了专门的vulnID支持,使得来自Proofpoint安全产品的风险能够被更准确地识别和跟踪。
技术架构优化
-
移除了已弃用的Django导入和is_safe_url函数,保持代码库现代化并减少潜在的安全风险。
-
对SLA计算功能进行了单元测试的增强,确保服务级别协议的计算逻辑更加可靠和可预测。
-
修复了dedupe命令在处理空模型集时的NoneType错误,提高了数据去重功能的稳定性。
文档与维护改进
-
文档构建系统进行了版本锁定,并添加了GitHub Actions工作流来自动测试文档构建失败情况,确保文档质量。
-
统一了Docker相关文档中的命令格式,全部使用docker compose语法,提高一致性和易用性。
-
修复了文档中的单元测试示例,确保开发者能够获得正确的参考实现。
技术细节与开发者关注点
-
Helm指标导出格式进行了调整,以更好地兼容Prometheus监控系统。
-
移除了Burp解析器中未使用的方法,精简代码库并提高可维护性。
-
对设置文件(settings.dist.py/local_settings.py)进行了多项调整,包括Jira Webhook和Proofpoint相关的配置选项更新。
DefectDojo 2.44.3版本虽然是一个小版本更新,但包含了多项重要的功能改进和错误修复,特别是在解析器兼容性和风险管理流程方面。这些更新进一步巩固了DefectDojo作为企业级风险管理平台的地位,为安全团队提供了更可靠、更高效的工作工具。对于现有用户来说,建议参考升级指南进行平滑升级,以获取这些改进带来的好处。
GLM-5智谱 AI 正式发布 GLM-5,旨在应对复杂系统工程和长时域智能体任务。Jinja00
GLM-5-w4a8GLM-5-w4a8基于混合专家架构,专为复杂系统工程与长周期智能体任务设计。支持单/多节点部署,适配Atlas 800T A3,采用w4a8量化技术,结合vLLM推理优化,高效平衡性能与精度,助力智能应用开发Jinja00
请把这个活动推给顶尖程序员😎本次活动专为懂行的顶尖程序员量身打造,聚焦AtomGit首发开源模型的实际应用与深度测评,拒绝大众化浅层体验,邀请具备扎实技术功底、开源经验或模型测评能力的顶尖开发者,深度参与模型体验、性能测评,通过发布技术帖子、提交测评报告、上传实践项目成果等形式,挖掘模型核心价值,共建AtomGit开源模型生态,彰显顶尖程序员的技术洞察力与实践能力。00
Kimi-K2.5Kimi K2.5 是一款开源的原生多模态智能体模型,它在 Kimi-K2-Base 的基础上,通过对约 15 万亿混合视觉和文本 tokens 进行持续预训练构建而成。该模型将视觉与语言理解、高级智能体能力、即时模式与思考模式,以及对话式与智能体范式无缝融合。Python00
MiniMax-M2.5MiniMax-M2.5开源模型,经数十万复杂环境强化训练,在代码生成、工具调用、办公自动化等经济价值任务中表现卓越。SWE-Bench Verified得分80.2%,Multi-SWE-Bench达51.3%,BrowseComp获76.3%。推理速度比M2.1快37%,与Claude Opus 4.6相当,每小时仅需0.3-1美元,成本仅为同类模型1/10-1/20,为智能应用开发提供高效经济选择。【此简介由AI生成】Python00
Qwen3.5Qwen3.5 昇腾 vLLM 部署教程。Qwen3.5 是 Qwen 系列最新的旗舰多模态模型,采用 MoE(混合专家)架构,在保持强大模型能力的同时显著降低了推理成本。00- RRing-2.5-1TRing-2.5-1T:全球首个基于混合线性注意力架构的开源万亿参数思考模型。Python00