DefectDojo 2.42.2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平台,它帮助安全团队高效地跟踪和管理应用程序安全问题。作为一个DevSecOps工具,DefectDojo提供了问题聚合、风险评估、工作流管理和报告功能,使安全团队能够更好地与开发团队协作。
核心功能更新
权限控制优化
本次版本对"Request Review"功能的RBAC(基于角色的访问控制)实现进行了改进,使其行为更加符合预期。在安全管理场景中,精确的权限控制至关重要,这一优化确保了评审请求流程中的权限检查更加严格和准确。
时间过滤增强
针对问题的"Mitigated On/Before/After"状态,新版本引入了DateTimeFilter,提供了更精确的时间过滤能力。安全团队现在可以根据具体的缓解时间范围来筛选问题,这在处理大量数据时特别有用。
资源注解支持
新增了对不同资源的注解功能,这为安全团队提供了更灵活的元数据管理能力。注解可以用于标记问题的特殊属性、处理状态或其他自定义信息,增强了系统的可扩展性。
安全扫描器集成改进
AWS安全服务增强
新版本对AWS SecurityHub和Inspector2解析器进行了增强,增加了对imageTags的支持。这使得在云原生环境中,安全团队能够更好地跟踪和管理容器镜像相关的问题。
Semgrep解析器优化
修复了Semgrep JSON报告中"fingerprint"和"lines"字段在需要登录情况下的处理问题。这一改进确保了即使需要认证访问的代码库,扫描结果也能被正确解析和处理。
风险评估功能增强
EPSS范围过滤器
新增了针对EPSS(Exploit Prediction Scoring System)的范围过滤器。EPSS是一个预测问题被利用可能性的评分系统,这一功能使安全团队能够根据问题被利用的可能性范围进行筛选,优先处理高风险问题。
XML解析器测试
为XML解析器中的Finding(发现)功能增加了测试用例,提高了解析器的稳定性和可靠性。这对于依赖XML格式报告的安全工具集成尤为重要。
后台架构改进
异步删除优化
针对异步删除操作中的竞态条件问题进行了加固。在大规模管理系统中,异步操作是提高性能的关键,这一改进确保了删除操作在高并发情况下的数据一致性。
验证状态粒度控制
数据库迁移中增加了验证状态的粒度控制,使安全团队能够更精细地管理问题验证过程。这一改进为复杂的安全验证工作流提供了更好的支持。
技术细节优化
通知系统改进
修复了通知上下文中site_url的使用问题,确保系统通知中的链接能够正确指向实例地址。这对于分布式部署环境尤为重要。
依赖项更新
将Django框架从5.1.4升级到5.1.5版本,包含了最新的安全修复和性能改进。
DefectDojo 2.42.2版本的这些更新进一步提升了平台的安全性、稳定性和可用性,特别是在大规模企业环境中的表现。安全团队现在能够更高效地管理问题生命周期,从发现到解决的整个过程都得到了增强。
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