DefectDojo 2.42.3版本发布:安全风险管理平台的重要更新
项目简介
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风险。它提供了强大的功能,包括风险扫描、风险评估、报告生成以及与各种安全工具的集成。DefectDojo已经成为许多组织安全开发生命周期(SDLC)中不可或缺的一部分。
2.42.3版本更新概述
DefectDojo最新发布的2.42.3版本带来了一系列功能改进和问题修复,主要关注于用户体验、API增强和系统稳定性。这个版本虽然是一个小版本更新,但包含了一些值得注意的改进点。
核心功能改进
Webhook通知测试修复:开发团队修复了Webhook通知测试功能,确保系统能够正确测试和验证Webhook配置。这对于依赖自动化通知流程的团队尤为重要。
Wiz解析器增强:现在Wiz解析器会导入所有状态的安全发现,而不仅仅是特定状态的结果。这一改进使得安全团队能够获得更全面的风险视图,不会遗漏任何潜在问题。
OpenVAS和Nmap解析器改进:对OpenVAS解析器进行了修复,并增加了对script_id的支持。这一变化使得扫描结果更加详细和准确,有助于安全分析师更好地理解发现的风险。
用户体验优化
可访问性增强:开发团队持续关注产品的可访问性,为按钮、链接和表格添加了缺失的ARIA标签和角色。这些改进使得产品对使用辅助技术的用户更加友好。
分页组件改进:分页功能现在具有更好的可访问性,确保所有用户都能轻松浏览大量安全发现。
警报视图优化:警报内容现在经过适当的清理和标记处理,提高了显示的安全性,防止潜在的安全问题。
API功能增强
预取端点改进:API现在能够正确返回所有预取模型,即使同时请求多个端点。这一改进使得API客户端能够更高效地获取所需数据,减少了不必要的请求次数。
系统稳定性与维护
日志记录改进:当无法找到hashcode配置时,系统现在会记录这一情况,帮助管理员更快地诊断问题。
遗留重新导入日志级别调整:将遗留重新导入功能的日志级别从调试提升到警告,使得重要信息更加突出。
MySQL残留代码清理:移除了不再需要的MySQL相关代码,简化了代码库。
依赖项更新:包括asteval库从1.0.5升级到1.0.6,以及文档中的vite从6.0.7升级到6.0.9,确保使用最新的稳定版本。
技术细节
对于系统管理员和DevOps团队,这个版本包含了一些需要关注的配置变更:
- 对
settings.dist.py和local_settings.py文件进行了修改,使vulnids功能更加健壮 - 移除了MySQL相关的遗留配置项
这些变更意味着在升级过程中,管理员需要仔细检查这些配置文件,确保新的设置符合组织的安全策略。
升级建议
对于正在使用DefectDojo的组织,建议在测试环境中首先验证2.42.3版本,确保所有自定义集成和功能正常工作。特别是:
- 检查Webhook通知功能是否按预期工作
- 验证所有解析器(特别是Wiz、OpenVAS和Nmap)是否正确处理扫描结果
- 确认API客户端能够正确处理预取模型的返回结果
这个版本虽然主要是修复和改进,但对于依赖特定功能的团队来说,某些变更可能会影响工作流程。建议在升级前仔细阅读完整的变更日志,并制定相应的测试计划。
DefectDojo持续改进其功能集和用户体验,2.42.3版本再次证明了项目团队对产品质量和用户需求的关注。对于安全团队来说,保持系统最新是确保最佳安全实践的重要部分。
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