Grype安全扫描工具中GHSA与CVE标识的显示问题解析
在软件供应链安全领域,Grype作为一款流行的开源安全扫描工具,能够帮助开发者识别项目依赖中的安全风险。近期有用户反馈在使用Grype 0.74.0版本扫描Java项目时,输出结果中只显示了GitHub安全公告(GHSA)标识,而缺少了常见的CVE编号,这给安全管理工作带来了一定困扰。
问题现象
当用户使用Grype对Java项目进行扫描时,输出报告中的安全标识均为GHSA格式,例如"GHSA-hr8g-6v94-x4m9",而对应的CVE编号如"CVE-2023-33201"则没有显示。这种情况在Grype 0.74.0版本中出现,而在早期版本如2023年9月前的版本中,CVE编号是正常显示的。
技术背景
GHSA(GitHub Security Advisory)是GitHub维护的安全公告系统,而CVE(Common Vulnerabilities and Exposures)则是更为广泛使用的安全标识标准。许多安全团队更习惯使用CVE编号进行安全跟踪和管理,因为这是行业通用标准。
Grype在匹配安全问题时,会从多个数据源获取安全信息,包括NVD(National Vulnerability Database)和GitHub Advisory Database等。这些数据源中,同一个安全问题可能同时拥有GHSA和CVE两种标识。
解决方案
Grype团队对此问题的解释是:为了提高扫描结果的准确性,减少误报(false positive),从某个版本开始默认关闭了基于CPE(Common Platform Enumeration)的匹配方式。CPE是一种硬件、操作系统和应用程序的命名方案,常用于安全匹配,但也容易产生误报。
要恢复显示CVE编号,用户可以通过以下两种方式实现:
- 使用
--by-cve命令行参数运行Grype - 设置环境变量
GRYPE_BY_CVE=true
如果需要完全恢复到旧版的匹配行为(包括CPE匹配),可以在配置文件中进行更详细的设置,为不同语言启用CPE匹配:
match:
java:
using-cpes: true
python:
using-cpes: true
# 其他语言配置...
最佳实践建议
- 对于大多数用户,使用
--by-cve参数即可满足需求,这是最简便的解决方案 - 如果需要更全面的扫描(包括CPE匹配),应当了解这可能带来更多误报,需要团队具备相应的分析能力
- 建议结合Syft和Grype的使用,先使用Syft生成SBOM(软件物料清单),再用Grype进行安全扫描
- 定期更新工具版本,以获取最新的安全数据库和改进的匹配算法
总结
Grype工具在追求更高准确性的过程中,对默认配置进行了调整,导致了CVE编号显示的变化。通过简单的参数调整,用户可以灵活选择所需的输出格式。这也反映了软件供应链安全工具在不断演进过程中对精确度和实用性的平衡考量。理解这些变化背后的技术原理,有助于安全团队更有效地利用工具保障软件安全。
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