{"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\/nl\/blog\/news\/github-vnedril-sistemu-mashinnogo-obucheniya-dlya-poiska-uyazvimostej-v-kode","title":{"rendered":"GitHub heeft een machine learning-systeem ge\u00efmplementeerd voor het opsporen van kwetsbaarheden in de code.","gt_translate_keys":[{"key":"rendered","format":"text"}]},"content":{"rendered":"
GitHub heeft een experimenteel machine learning-systeem voor code-scanning toegevoegd aan zijn service, dat veelvoorkomende soorten kwetsbaarheden in code kan identificeren. In de testfase is deze nieuwe functionaliteit momenteel alleen beschikbaar voor repositories met code in JavaScript en TypeScript. Het gebruik van het machine learning-systeem heeft het scala van te detecteren problemen aanzienlijk vergroot, waarbij de analyse nu niet beperkt is tot de controle van standaardpatronen en niet is gebonden aan bekende frameworks. Onder de door het nieuwe systeem ge\u00efdentificeerde problemen worden fouten genoemd die kunnen leiden tot cross-site scripting (XSS), bestandspadverdraaiing (bijvoorbeeld door het gebruik van «\\\/..»), en de substitutie van SQL- en NoSQL-queries. <\/p>\n
De Code scanning-service maakt het mogelijk om kwetsbaarheden in een vroeg stadium van de ontwikkeling te identificeren door elke operatie «git push» te scannen op mogelijke problemen. Het resultaat wordt direct aan de pull-aanvraag toegevoegd. Voorheen werd de controle uitgevoerd met behulp van de CodeQL-engine, die patronen analyseert met standaardvoorbeelden van kwetsbare code (CodeQL stelt in staat om een patroon van kwetsbare code te vormen om dergelijke kwetsbaarheden in de code van andere projecten te identificeren). De nieuwe engine, die machine learning gebruikt, kan eerder onbekende kwetsbaarheden identificeren, aangezien deze niet is gebonden aan het doorlopen van codepatronen die specifieke kwetsbaarheden beschrijven. De prijs voor deze mogelijkheid is een toename van het aantal vals positieven in vergelijking met controles op basis van CodeQL. \n Bron: opennet.ru<\/a> <\/p>","protected":false,"gt_translate_keys":[{"key":"rendered","format":"html"}]},"excerpt":{"rendered":"