分析可扩展且以开发者为中心的供应链安全解决方案
现代应用开发提升了速度,也加剧了安全风险。开发人员需要将安全纳入到开发流程。尤其是云原生网络安全威胁形势越来越严峻,安全必须在不中断运行的情况下融入到开发流程中。
新思科技(Synopsys, Nasdaq: SNPS)发布最新供应链安全调研报告。该报告由新思科技软件质量与安全部门委托技术研究公司Enterprise Strategy Group(ESG)执行,面向350名应用开发、信息技术和网络安全决策者进行调研。该报告名为《一往无前:GitOps与安全左移 - 可扩展且以开发者为中心的供应链安全解决方案》(Walking the Line: GitOps and Shift Left Security: Scalable, Developer-centric Supply Chain Security Solutions),其指出软件供应链风险不限于开源范围。
针对 Log4Shell、SolarWinds 和Kaseya 等软件供应链攻击,73%的受访者表示,他们已通过各种安全举措显著加大了对企业软件供应链的保护力度。这些举措包括采用强大的多因素身份验证技术 (33%);投资应用安全测试措施(32%); 以及改进资产发现流程以更新攻击面清单 (30%)。尽管做出了这些努力,但仍有 34%的企业指出,他们的应用在过去 12 个月内因开源软件(OSS)中的已知漏洞而被利用,其中28%的企业在开源软件中发现之前未知的漏洞(“零日”漏洞利用攻击)。
随着使用规模增加,开源软件在应用程序中的存在自然也会增加。当前,软件物料清单 (SBOM)是解决软件供应链风险管理燃眉之急的重要途经。开源软件使用量激增,而开源管理乏善可陈,这使得制作SBOM变得复杂。ESG公司研究也证实了这一点: 39%的受访者将SBOM标记为使用开源软件的挑战。
新思科技软件质量与安全部门总经理Jason Schmitt表示:“近年来,供应链安全漏洞、攻击的新闻频发。企业意识到这对他们的业务会产生潜在的负面影响。采取主动安全策略已经成为企业的当务之急。虽然管理开源风险是管理云原生应用中软件供应链风险的关键组成部分,但我们还必须认识到风险是超出了开源组件范围的。基础设施即代码、容器、API、代码存储库等,不胜枚举。企业必须考虑所有因素,以进行全面部署,确保软件供应链安全。”
虽然开源软件可能是最初的供应链安全关注点,但向云原生应用开发的转变让企业担心对供应链的其它环节会构成的风险。这不仅包括源代码,还包括云原生应用如何存储、打包和部署,以及它们如何通过应用程序编程接口 (API) 互联。近一半 (45%) 的受访者认为API以及数据存储库 (42%) 和应用容器镜像 (34%)是最容易受到攻击的载体。
几乎所有(99%)的受访者表示,他们的企业目前使用或计划在未来12个月内使用开源软件。尽管对这些开源项目的维护、安全性和可信性存在担忧,但最受关注的问题与在应用开发中使用开源的规模有关。 54%的企业将“拥有高比例的开源应用代码”列为他们的主要关注点。
新思科技网络安全研究中心首席安全策略师Tim Mackey表示:“凭借SBOM,软件运营商可以了解应用中包含哪些第三方软件生产商,无论是来自开源、商业还是签约的第三方。在设计补丁管理流程时,这些信息至关重要。因为没有这些信息,对任何应用中存在的软件风险的观察都不全面,无论其来源如何。有了这些信息,一旦 Log4Shell 出现下一个零日漏洞(这会发生),企业将能够快速有效地采取行动,抵御针对第三方软件组件的攻击。”
调查结果还表明,尽管越来越多构建云原生应用的企业采取以开发人员为中心的安全策略和安全“左移”(一个专注于使开发人员能够在开发生命周期早期进行安全测试的概念),但 97% 的企业在过去 12 个月内遭遇过涉及其云原生应用的安全事件。
更快的发布周期也给所有团队带来了安全挑战:应用开发(41%)和DevOps(45%)团队允许开发人员经常跳过已建立的安全流程;而且大多数应用开发人员(55%)允许安全团队缺乏对开发流程的可见性。 68%的受访者表示,他们高度重视采用以开发人员为中心的安全解决方案,并将部分安全责任转移给开发人员。目前负责应用安全测试的开发人员 (45%)多于安全团队 (40%)。开发人员使用内部开发或开源安全工具的可能性是专门的第三方供应商的两倍。
与此同时,开发人员在保护云原生应用的软件供应链方面发挥着更大的作用,但只有36%的安全团队完全接受由开发团队负责安全测试。诸如使开发团队负担过重的额外工具和责任、破坏创新和速度以及获得对安全工作的监督权等问题仍然是开发人员主导的应用安全工作的最大障碍。
好文章,需要你的鼓励
这项来自新加坡国立大学等机构的研究引入了REASONMAP,一个用于评估多模态大语言模型细粒度视觉理解能力的基准测试。研究团队使用来自13个国家30个城市的高分辨率交通地图,构建了1,008个问答对,设计了两级评估框架测量答案的正确性和质量。对15个流行模型的评估揭示了一个意外发现:开源领域的基础模型表现优于推理型模型,而闭源模型则相反。研究还表明,当视觉输入被遮盖时,模型性能普遍下降,证明真正的细粒度视觉推理任务仍需要有效整合多模态信息。
Nvidia公布2026财年一季度业绩,营收441亿美元,同比增长69%;新AI超算与显卡产品陆续亮相,尽管出口管控对H20业务造成影响,但整体AI市场前景依然乐观。
Cerebras WSE 芯片拥有 40 亿晶体管,推理速度达到 NVIDIA 集群的约 2.5 倍,刷新了全球 AI 推理速度记录,为复杂 AI 代理应用提供高性能计算支持。
这项研究提出了"B-score",一种新指标用于检测大语言模型中的偏见。研究人员发现,当模型能看到自己之前对同一问题的回答时(多轮对话),它能够减少偏见并给出更平衡的答案。B-score计算单轮与多轮对话中答案概率的差异,无需外部标注即可识别有偏见的回答。实验证明,将B-score用于回答验证可显著提高准确率,在标准基准测试上平均提升2.9个百分点。这一发现不仅提供了实用工具,还表明大语言模型具有自我纠正能力。