Semgrep
PulseAugur coverage of Semgrep — every cluster mentioning Semgrep across labs, papers, and developer communities, ranked by signal.
5 天有情绪数据
-
新工具 Pentest Anything 限制 AI 代理自主进行安全扫描
一款名为 Pentest Anything (PTA) 的新开源工具已被开发出来,允许 AI 编码代理运行安全扫描程序,而不会有其自主选择目标的风险。该工具基于 Node.js 构建,可以协调 Semgrep、Trivy、Nuclei 和 SQLMap 等现有扫描程序,并通过代码强制执行严格的防护措施。这些防护措施可防止未经授权的扫描,保护内部网络,并确保 AI 代理将扫描内容视为数据而非授权,从而保持对安全运营的人工控制。
-
新工具 Pentest Anything 限制 AI 代理进行未经授权的安全扫描
一款名为 Pentest Anything (PTA) 的新开源工具已被开发出来,允许 AI 编码代理执行安全扫描,而不会有其自主扫描未经批准系统的风险。PTA 使用 Node.js 编写,可以协调 Semgrep、Trivy、Nuclei 和 SQLMap 等现有安全扫描程序,通过代码强制执行人类定义的范围和护栏。这确保了 AI 代理可以协助进行安全检查,同时扫描什么的关键决策仍由人类控制,从而防止意外或恶意的未经授权访问。
-
静态扫描器未能发现MCP服务器中的关键认证漏洞
一位安全研究人员测试了三种静态分析工具——mcpscan、Semgrep和Bandit——针对一个存在已知授权漏洞的MCP服务器。这些工具均未能成功识别出服务器代码中的八个授权缺陷。虽然Semgrep通过自定义规则,设法标记了三个与令牌验证相关的特定问题,但通用扫描器未能检测到诸如禁用的受众检查等关键错误。
-
SARIF 标准化分析工具发现,以实现更好的跟踪
静态分析结果交换格式 (SARIF) 是一个 OASIS 标准,旨在标准化分析工具的输出,从而更好地跟踪和管理发现的问题。这种基于 JSON 的格式允许 CodeQL、ESLint、Semgrep 和 Trivy 等工具报告问题,然后这些问题可以被 GitHub 代码扫描和 Azure DevOps 等平台使用。SARIF 促进了发现的生命周期管理、去重以及跨不同工具的统一报告,从而改进了代码质量和安全警报的管理流程。
-
OpenRouting 使用 Claude LLM 对安全漏洞进行分类
OpenRouting 开发了一个系统,该系统使用通过 Amazon Bedrock 访问的 Claude 来对静态分析安全测试 (SAST) 工具的发现进行分类。LLM 不仅依赖模式匹配,还会根据其特定的代码上下文评估每个发现的可利用性。发现会根据其类型(如 SQL 注入或 LDAP 注入)路由给专门的审查员,并且指纹识别机制可防止重复问题的再分析,从而节省成本。
-
Databricks 使用 LLM 检测 npm 包中隐藏的恶意软件
Databricks 的研究人员开发了一种检测隐藏在 npm 包二进制文件中的恶意软件的新方法。他们的方法是在推理阶段将特定领域的知识注入大型语言模型 (LLM) 中,而不是重新训练模型本身。该技术旨在提高 LLM 识别恶意代码的能力,特别是在二进制载荷方面,这些载荷虽然罕见但由于其不透明的性质而构成重大风险。
-
Cursor 推出 Origin 应用商店,集成超 20 款开发者工具
Cursor 推出了其 Origin 应用商店,该商店包含超过 20 项旨在增强开发者工作流程的集成。该商店提供用于部署、持续集成、代码审查、安全、监控和项目管理的应用程序。开发者现在可以提交自己的工具在 Origin 平台上发布。
-
苹果研究强调语言模型在结构化数据通信中的瓶颈
一项来自Apple Machine Learning Research的新研究,调查了语言模型在将树状表达式序列化为自然语言时的通信瓶颈。研究发现,这一过程是有损且不对称的,生成质量是主要的失败点。在特定算子和树形结构上对模型进行微调,显著提高了它们处理这些结构化表达式的能力,尽管与前沿模型相比仍存在差距。
-
研究发现:AI 生成的代码可避免静默故障
一项研究检查了 120 个本地生成的 Python 和 TypeScript 函数,以识别 AI 生成代码中潜在的静默故障。通过结合 Semgrep 检测器和人工审查,分析发现虽然语法分析可以标记潜在问题,但关于错误处理的最终裁决超出了代码本身。在所有测试的案例中,标记的错误要么是误报,要么是已记录的备用机制,这表明当前的 AI 代码生成可能不像人们担心的那样悄悄地吞噬错误。
-
研究发现AI生成的代码很少吞噬错误
一项测试AI生成代码是否频繁吞噬错误的实验发现,该假设在很大程度上是不正确的。虽然一个简单的静态分析工具标记了几处潜在问题,但人工审查确定没有一个是真阳性,大多数是已记录的后备方案或误报。研究表明,仅凭语法无法区分是故意的错误处理机制还是静默失败,因为解释上下文和预期功能至关重要。
-
新流程自动化 AI 驱动的渗透测试攻击图构建
研究人员开发了一个半自动流程,以弥合安全扫描器输出与用于代理式渗透测试的符号逻辑框架之间的差距。该系统将 Trivy、Semgrep 和 Nmap 等工具的证据转换为 MulVAL(一个逻辑攻击图生成器)可用的格式。该流程有助于构建特定领域的 Datalog 规则,使 MulVAL/XSB 能够推断攻击路径。该系统在 54 个 Web Capture-the-Flag 任务上进行了评估,证明了其可行性和实际运行时间,生成了具有显著漏洞…
-
AI代码生成安全性通过新基准和动态测试进行评估
两篇新的研究论文探讨了使用AI模型生成安全代码的挑战。第一篇论文介绍了CodeSecEval,一个用于评估安全代码生成的基于执行的基准测试,并提出了SecAwareCoder,一个旨在默认生成更安全代码的基于代理的框架。第二篇论文研究了“静态通过,动态失败”现象,即通过静态分析工具的代码在运行时仍然包含可利用的漏洞,尤其是在AI生成的Python代码中。这项研究强调了静态分析的局限性,并表明需要更动态和全面的安全评估方法。
-
扫描 9,248 个 MCP 服务器:揭示广泛的安全漏洞和信任缺失
对 9,248 个 Model Context Protocol (MCP) 服务器进行的安全性审计揭示了重大的漏洞和最佳实践的缺失。审计发现,0.3% 的服务器试图访问敏感文件,11% 表现出未记录的网络流量,23% 声明了不存在的工具。此外,64% 缺乏可识别的发布者,89% 未提供软件物料清单 (SBOM),许多“零问题”的服务器用户很少或没有用户,这表明缺乏积极维护。这些发现突显了 MCP 生态系统中的“狂野西部”环境,敦促用…
-
AI代码审查工具在不同模型和运行中显示不一致的结果
多个AI模型在代码审查结果上表现出不一致性,即使使用相同的提示和设置也是如此。研究人员观察到,诸如概率采样和上下文压缩(模型压缩大量代码信息)等因素会导致错误检测和代码质量评估的差异。这种不一致性意味着,仅依赖AI进行代码审查可能并不总是有效的,因为仍然需要人工监督来验证AI生成反馈的相关性和准确性。
-
企业因访问风险和成本节约转向开源AI
由于担心访问限制以及与专有模型能力差距的缩小,企业正越来越多地转向开源AI模型。最近的事件,例如美国商务部命令禁用非美国用户访问Anthropic的Fable 5和Mythos 5,凸显了依赖可能被切断的服务所带来的风险。像智谱AI的GLM 5.2这样的模型在基准测试中已能与顶级闭源选项相媲美,提供了显著的成本节约和更大的控制权,使其成为许多企业工作负载更理性的选择。
-
台湾报告人工智能辅助网络攻击,疑与中国有关
台湾报告称,一次源自海外的人工智能辅助网络攻击目标是政府机构,包括其核安全机构和能源公司。此次攻击于7月20日被发现,利用开源人工智能代理创建了自主黑客工具,侵犯了超过2500条人员记录。虽然台湾官员没有直接归咎于某方,但由于内部通信使用简体中文,报告表明攻击者极有可能与中国有关。
-
AI安全审计通过分层方法平衡严格性和性能
本文详细介绍了一种在大型MCP服务器部署中平衡安全审计严格性和性能的策略。该方法将审计分为静态和动态两层,静态检查在服务器进入时执行一次,并缓存在Agent Trust Card (ATC)中。动态检查(如沙箱执行)成本较高,但仅在必要时运行。然后,一个运行时拦截器层对每次工具调用强制执行实时安全规则,确保速度和严格性。
-
Replit 集成 Semgrep Guardian 以实现 AI 代码安全
Replit 已将其 Semgrep Guardian 的敏感信息检测功能直接集成到其 AI 开发平台中。此次集成旨在提高 Replit 数百万开发者所构建的应用程序的安全性,特别是那些使用 AI 代理生成代码的开发者。该功能允许在代码创建时即时检测漏洞,用户目前每天已进行超过 100,000 次安全扫描。
-
Sentinel评分将纳入GitHub和npm指标等外部因素
Sentinel评分目前用于评估软件组件,仅依赖于元数据检查、静态分析和恶意软件模式匹配等内部因素。然而,该系统计划在其下一版本(v1.2.0)中纳入外部信号,以提供更全面的评估。这些外部因素将包括GitHub存储库指标、npm下载量、社区反馈以及来自其他平台的交叉验证分数。
-
新工具mcp-tenant-isolation 针对跨租户数据泄露
一款新的静态分析工具mcp-tenant-isolation已被开发出来,用于解决多租户SaaS应用程序和MCP服务器中关键的跨租户数据泄露漏洞。与Snyk、Semgrep和CodeQL等传统安全扫描器不同,该工具采用57条确定性规则,专门针对租户隔离失败问题。它可以集成到CI/CD管道(通过GitHub Actions)中,也可以被Claude Desktop和Cursor等AI代理使用,以扫描代码库并提供修复建议。