有效的AppSec计划可以帮助解决日益严峻的软件安全挑战。AppSec不仅仅涉及部署工具和运行测试,还涉及协调人员、流程和技术,以全面解决应用安全风险。企业可以借助专业的安全咨询服务和组合解决方案构建并加速AppSec计划,以攻克当今挑战并掌控未来机遇。Gartner 最近发布了 《2023年应用安全测试关键能力报告》,面向五个常见特定用例解析哪些工具和技术更为重要,为部署AppSec计划的企业提供借鉴。
最大限度地提升企业应用安全
Gartner 将第一个用例定义为关注拥有广泛应用和开发方法的企业的需求。因此,他们需要一种全面的应用安全方法。换句话说,如果您的团队构建的软件不是企业本身的产品,而是业务的主要推动因素(比如,客户可借此访问产品或服务),则此用例适用。
新思科技软件质量与安全部门产品营销高级总监Patrick Carey表示:“应用组成愈加复杂和交付要求不断提高,企业需要在应用生命周期的所有阶段解决所有组件的安全问题。然而,许多企业发现他们正在跨多个开发团队使用和管理十几个或更多应用安全测试 (AST) 工具。当不同的团队使用不同的工具以不同的方式报告安全结果时,很难做到‘窥一斑而见全豹’。”
新思科技软件风险管理平台等应用安全态势管理 (ASPM) 解决方案可对症下药,帮助企业 AppSec 团队理清和归纳检测结果。借助ASPM,企业可以跨团队定义和自动化统一的安全策略,并跨工具综合、过滤和确定调查结果的优先级。
确保软件供应链安全
企业越来越多地采用供应链风险管理方法以确保应用安全。协同使用多种工具以实现安全风险的可见性和控制,覆盖专有、开源和第三方软件和服务,以及用于向最终用户交付应用的 DevOps 管道和云基础设施。软件供应链漏洞及攻击频发,政府对应用安全提出更严格的监管要求,各大机构也在积极推动供应商提供更安全的软件开发实践等等。这些压力都在促使行业做出转变,落实软件供应链安全。
软件供应链安全并不独立于应用安全,而是包含其中。企业意识到,仅仅将一组规定的安全测试作为软件开发生命周期的一部分是不够的。他们需要对其上游软件组件供应商和 DevOps 工具链风险的可见性和控制。他们同样需要向客户提供软件物料清单(SBOM)或其它,以示软件构成的透明度。这种端到端的可见性和控制链有助于确保供应商和客户拥有主动防御针对应用漏洞的网络攻击所需的信息。
将安全融入DevOps
对不同企业来说,DevSecOps 的含义各异。 Gartner 简述,该用例重点关注在 DevOps 以及快速迭代的软件开发和交付方面有大力投资的企业的需求。
当然,对于应用安全测试,重点还在于支持现代、以开发人员为中心的自动化安全分析的工具。将安全构建到 DevOps 中需要团队优先考虑三件事。
保护云端应用
Gartner 对云原生应用和 DevSecOps 的规定之间有相当大的重叠部分。主要区别在于,DevSecOps 更注重开发人员支持,而云原生应用则更注重 API、基础设施即代码 (IaC) 以及对于大多数云应用环境而言至关重要的容器。
由于许多云原生应用也是企业应用,因此对软件供应链安全的关注也适用于此。然而,了解云架构对这些应用攻击面的影响非常重要。这些应用通常混合使用开源组件、第三方 API、无服务器功能、容器和 IaC。
满足移动和客户端应用的独特安全需求
第四个用例重点关注在客户端硬件上运行的软件,即移动应用。这通常需要专门的测试工具和技术来模拟应用的目标移动设备。
然而,移动应用面临的许多挑战也延伸到其它形式的客户端软件,例如网络设备固件、嵌入式软件和物联网设备。在大多数情况下,此类软件的测试很难自动化,需要直接访问或模拟硬件,并且包括测试用于与其它系统和服务通信的 API 或网络协议。如果您正在构建此类软件,您可能已经拥有用于单元和集成测试的专用工具,挑战在于找到补充工具和服务来测试安全缺陷。
构建AppSec计划
毫无疑问,安全和开发团队很难组装合适的工具包以确保用户可以相信他们提供的软件是安全的。但正如 Gartner 在《应用安全测试关键功能》报告中所阐述的那样,如果您思考一下团队试图支持的用例,就会出现一个用于选择工具的框架。
新思科技中国区应用安全技术总监付红勋表示:“数字时代,AppSec已经成为企业风险管理的关键部分。正确实施AppSec计划对商业利益产生积极影响,因为成功的AppSec意味着更低的风险,更高的效率以及客户满意度。同时,由于企业需要更快地响应市场需求,如果开发人员需要大量时间来梳理缺陷及漏洞,则可能错过最佳上市时间。为了确保速度和安全,兼得‘鱼与熊掌’,企业通常都会与可靠的专业供应商合作,简化并优化安全和开发团队的应用安全测试,为企业在数字经济时代的稳健发展提供有力支撑。新思科技已经连续七年被评为Gartner应用安全测试魔力象限领导者,有实力护航企业的安全之旅,助力构建可信软件。”
好文章,需要你的鼓励
谷歌发布新的AI学术搜索工具Scholar Labs,旨在回答详细研究问题。该工具使用AI识别查询中的主要话题和关系,目前仅对部分登录用户开放。与传统学术搜索不同,Scholar Labs不依赖引用次数或期刊影响因子等传统指标来筛选研究质量,而是通过分析文档全文、发表位置、作者信息及引用频次来排序。科学界对这种忽略传统质量评估方式的新方法持谨慎态度,认为研究者仍需保持对文献质量的最终判断权。
武汉大学研究团队提出DITING网络小说翻译评估框架,首次系统评估大型语言模型在网络小说翻译方面的表现。该研究构建了六维评估体系和AgentEval多智能体评估方法,发现中国训练的模型在文化理解方面具有优势,DeepSeek-V3表现最佳。研究揭示了AI翻译在文化适应和创意表达方面的挑战,为未来发展指明方向。
Meta发布第三代SAM(分割一切模型)系列AI模型,专注于视觉智能而非语言处理。该模型擅长物体检测,能够精确识别图像和视频中的特定对象。SAM 3在海量图像视频数据集上训练,可通过点击或文本描述准确标识目标物体。Meta将其应用于Instagram编辑工具和Facebook市场功能改进。在野生动物保护方面,SAM 3与保护组织合作分析超万台摄像头捕获的动物视频,成功识别百余种物种,为生态研究提供重要技术支持。
参数实验室等机构联合发布的Dr.LLM技术,通过为大型语言模型配备智能路由器,让AI能根据问题复杂度动态选择计算路径。该系统仅用4000个训练样本和极少参数,就实现了准确率提升3.4%同时节省计算资源的突破,在多个任务上表现出色且具有强泛化能力,为AI效率优化开辟新方向。