{"id":103375,"date":"2022-02-18T09:36:49","date_gmt":"2022-02-18T07:36:49","guid":{"rendered":"https:\/\/prohoster.info\/blog\/novosti-interneta\/github-vnedril-sistemu-mashinnogo-obucheniya-dlya-poiska-uyazvimostej-v-kode"},"modified":"2022-02-18T09:36:49","modified_gmt":"2022-02-18T07:36:49","slug":"github-vnedril-sistemu-mashinnogo-obucheniya-dlya-poiska-uyazvimostej-v-kode","status":"publish","type":"post","link":"https:\/\/prohoster.info\/it\/blog\/novosti-interneta\/github-vnedril-sistemu-mashinnogo-obucheniya-dlya-poiska-uyazvimostej-v-kode","title":{"rendered":"GitHub ha implementato un sistema di apprendimento automatico per identificare le vulnerabilit\u00e0 nel codice.","gt_translate_keys":[{"key":"rendered","format":"text"}]},"content":{"rendered":"
GitHub ha annunciato l'aggiunta di un sistema sperimentale di machine learning nel servizio Code scanning per identificare i tipi pi\u00f9 comuni di vulnerabilit\u00e0 nel codice. Durante la fase di test, la nuova funzionalit\u00e0 \u00e8 attualmente disponibile solo per i repository con codice scritto in JavaScript e TypeScript. Si segnala che l'applicazione del sistema di machine learning ha notevolmente ampliato l'insieme dei problemi identificabili, in quanto ora l'analisi non si limita alla verifica di schemi tipici n\u00e9 si aggancia a framework noti. Tra i problemi identificati dal nuovo sistema si segnalano errori che portano a cross-site scripting (XSS), distorsione dei percorsi dei file (ad esempio, tramite l'inserimento di \"\/..\"), sostituzione di richieste SQL e NoSQL. <\/p>\n
Il servizio di Code scanning consente di identificare vulnerabilit\u00e0 precocemente durante lo sviluppo, eseguendo una scansione di ogni operazione di «git push» per rilevare potenziali problemi. I risultati sono allegati direttamente alla pull request. In passato, la verifica \u00e8 stata effettuata utilizzando il motore CodeQL, che analizzava schemi basati su esempi di codice vulnerabile (CodeQL permette di creare modelli di codice vulnerabile per identificare la presenza di simili vulnerabilit\u00e0 nel codice di altri progetti). Il nuovo motore, che utilizza l'apprendimento automatico, pu\u00f2 identificare vulnerabilit\u00e0 precedentemente sconosciute poich\u00e9 non \u00e8 legato a un processo di confronto di schemi di codice che descrivono vulnerabilit\u00e0 specifiche. Il prezzo di questa funzionalit\u00e0 \u00e8 un aumento del numero di falsi positivi rispetto ai controlli basati su CodeQL. \n Fonte: opennet.ru<\/a> <\/p>","protected":false,"gt_translate_keys":[{"key":"rendered","format":"html"}]},"excerpt":{"rendered":"