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。
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