ZAP自动化框架0.49.0版本发布:增强认证支持与稳定性改进
ZAP(Zed Attack Proxy)作为一款广受欢迎的开源Web应用安全测试工具,其自动化框架(Automation Framework)为安全测试人员提供了强大的自动化能力。最新发布的0.49.0版本在认证流程和稳定性方面做出了重要改进,同时优化了用户体验。
认证功能增强
本次更新重点改进了基于时间的一次性密码(TOTP)认证支持。TOTP是一种常见的双因素认证机制,广泛应用于各类Web应用的安全防护中。新版本不仅完善了相关文档,详细说明了如何在用户凭证中定义TOTP数据,还实现了自动化框架在创建或设置上下文时自动使用这些凭证数据的功能。
这一改进使得安全测试人员能够更便捷地测试采用TOTP认证的应用,无需手动干预认证流程,大大提高了自动化测试的效率和覆盖率。对于需要测试双因素认证保护的应用场景,这一功能显得尤为重要。
用户体验优化
在日志和进度消息方面,0.49.0版本进行了细致的调整。扫描规则阈值或强度设置相关的消息现在不再包含扫描规则ID中的逗号,这一看似微小的改动实际上提高了日志的可读性,特别是在处理大量扫描规则时,能够更清晰地识别特定规则。
稳定性提升
开发团队在此版本中修复了两个可能导致异常的重要问题:
- 修复了加载客户端脚本认证方法时可能出现的异常,确保了认证流程的稳定性。
- 解决了在运行测试计划时,如果存在未保存的脚本可能引发的异常问题,提高了框架的整体可靠性。
这些修复使得自动化测试过程更加稳定可靠,减少了因意外异常导致的中断,对于长时间运行的自动化测试任务尤为重要。
依赖更新
作为常规维护的一部分,0.49.0版本更新了对Common Library插件的依赖,确保使用了最新的功能和修复。这种依赖管理有助于保持整个ZAP生态系统的协调一致,同时为用户提供最佳的安全测试体验。
总结
ZAP自动化框架0.49.0版本虽然在版本号上是一个小版本更新,但在认证支持、用户体验和稳定性方面都做出了有价值的改进。特别是对TOTP认证的增强支持,为测试现代Web应用的安全防护提供了更好的工具支持。这些改进使得ZAP在自动化安全测试领域继续保持领先地位,为安全专业人员提供了更强大、更可靠的工具。
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