DefectDojo 2.43.0版本深度解析:安全管理平台的重要更新
DefectDojo是一个开源的缺陷管理平台,专为安全团队设计,用于跟踪和管理应用程序安全问题。它提供了从问题发现到解决的完整生命周期管理,支持多种安全工具的集成,并具备强大的报告和协作功能。最新发布的2.43.0版本带来了一系列重要改进和新特性,值得安全从业者关注。
核心架构与基础设施改进
本次更新对DefectDojo的基础架构进行了多项优化。最显著的变化是移除了所有dc-脚本,这些脚本原本用于Docker Compose环境的管理,现在已被更现代化的部署方案取代。同时,项目增加了对django服务类型配置的支持,使得部署更加灵活。
在Helm chart方面,新增了local_settings.py的配置选项,为Kubernetes环境下的部署提供了更好的定制能力。数据库方面,移除了MySQL遗留代码,专注于PostgreSQL支持,简化了技术栈。
安全扫描与问题管理增强
2.43.0版本引入了多个新的安全扫描器支持:
- HCL AppScan on Cloud SAST:新增了对这款企业级静态应用安全测试工具的解析支持
- Checkmarx Cxflow SAST:集成了Checkmarx的SAST解决方案的解析能力
- AnchoreCTL Vulns解析器:改进了问题映射逻辑,特别是修复了无解决方案时的处理字段处理
对于现有解析器也进行了多项改进:
- Wiz解析器现在可以导入所有状态的问题,而不仅限于特定状态
- OpenVAS和Nmap解析器增加了script_id支持
- AWS SecurityHub和Inspector2解析器增加了imageTags支持
- Semgrep JSON报告处理增强,更好地处理需要登录的指纹和行数字段
用户体验与界面优化
UI方面进行了多项可访问性改进:
- 增加了缺失的aria标签和角色到按钮、链接和表格
- 改进了分页控件的可访问性
- 登录页面的链接现在更加显眼易见
- 过滤功能的操作更加符合人体工程学
Jira集成方面,修复了模板中的HTML编码问题,确保内容正确传递到Jira系统。导入历史页面也进行了优化,使无操作的情况更加清晰可见。
后台功能与性能提升
后台功能方面有几个重要改进:
- 增加了EPSS(问题预测评分系统)的范围过滤功能
- 验证状态切换增加了更细粒度的控制
- 修复了异步删除操作中的竞态条件问题
- 改进了预取多个端点时的模型返回逻辑
日志记录方面,当hashcode配置未找到时,现在会记录相关信息,便于问题排查。对于遗留重新导入操作,日志级别从debug提升到warning,使重要信息更易被发现。
安全与维护更新
项目依赖项进行了全面更新:
- Django升级到5.1.5版本
- Django AuditLog升级到3.x系列
- Ruff静态分析工具升级到0.9.4
- 其他多项Python依赖更新到最新稳定版本
安全方面,警报视图现在会对内容进行适当的清理和标记,防止注入攻击。通知系统现在会正确使用site_url构建上下文。
总结
DefectDojo 2.43.0版本在多个维度进行了重要改进,从底层架构到用户界面,从安全扫描支持到后台功能,都体现了项目团队对产品质量和用户体验的持续关注。这些改进使DefectDojo在缺陷管理领域继续保持领先地位,为安全团队提供了更强大、更可靠的工具。对于现有用户,建议参考升级指南进行版本更新,以充分利用这些新特性和改进。
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