В CodeScoring добавлен фид Kaspersky об opensource-угрозах

В CodeScoring добавлен фид Kaspersky об opensource-угрозах

В CodeScoring добавлен фид Kaspersky об opensource-угрозах

Поток данных «Лаборатории Касперского» об опенсорсных пакетах, содержащих уязвимости, вредоносов и нежелательные закладки, отныне доступен пользователям анализатора CodeScoring от Profiscope.

На настоящий момент Kaspersky Open Source Software Threats Data Feed содержит информацию о 42 тыс. уязвимостей в > 10 тыс. пакетов, а также об 11 тыс. вредоносных и потенциально опасных пакетов с открытым исходным кодом, которые размещены в популярных репозиториях — таких как npm и PyPi.

 

Готовые пакеты позволяют разработчикам сэкономить время, однако использование сторонних компонентов повышает риски в отношении атак на цепочку поставок, число которых последнее время неудержимо растет. Пакеты с открытым исходным кодом нужно обязательно проверять, и теперь это можно сделать с помощью системы CodeScoring, в базу данных которой добавили профильный фид Kaspersky.

«Сотрудничество с „Лабораторией Касперского“ — серьезный шаг для нашего общего дела в сфере отечественной кибербезопасности, — заявил Алексей Смирнов, основатель и гендиректор Profiscope. — Наша интеграция дает разработчикам исчерпывающую информацию о безопасности opensource-компонентов, особенно важную для российских компаний в текущих условиях. Она позволяет усилить механизмы защиты цепочки поставки от попадания вредоносных компонентов в контур разработки, предоставлять дополнительную информацию по уязвимым компонентам нашим клиентам и в конечном счете создавать безопасные ИТ-продукты, укрепляющие национальный технологический суверенитет».

Подпишитесь на новости

Модели OpenAI и Anthropic выбирали скорые и школу как военные цели

Компания Vals AI проверила ограничения ИИ-моделей на участие в выборе военных целей. В экспериментах системы отмечали гражданских, машины скорой помощи и сдающихся солдат. Представление задания как игры часто помогало преодолеть отказы.

Результаты экспериментов опубликованы в исследовании Vals AI. Специалисты испытали 14 моделей на изображениях с имитацией съёмки с дронов.

Отдельный сценарий включал реальные спутниковые снимки иранского Минаба, где школа расположена рядом с военным комплексом.


GPT-6 Astra выделяла хотя бы одну цель в 6% обычных запросов. После оговорки об игре показатель вырос до 92%. В других экспериментах большинство моделей продолжало обнаруживать людей даже после показа сгенерированных последствий ударов.


Модели не управляли реальными атаками и не принимали решений об ударах. Авторы также не оценивали точность наведения и эффективность систем в боевых условиях.


Vals AI рекомендует усилить ограничения на уровне API. Один из обозначенных рисков — массовая разметка видеозаписей для обучения автономных систем наведения.

RSS: Новости на портале Anti-Malware.ru