원본 영상을 바탕으로 AI의 도움을 받아 작성했습니다. 원본 영상이 기준입니다.
Log in to leave a comment
아직 작성된 글이 없습니다
O código aberto é conveniente, mas traz riscos proporcionais. De acordo com uma pesquisa de 2025, desde que a IA começou a escrever código em nome dos desenvolvedores, a taxa de ocorrência de bugs saltou 41% em relação ao ano anterior. Para um responsável por segurança que precisa revisar sozinho dezenas de milhares de linhas de bibliotecas externas, isso é nada menos que um desastre. Como é impossível ler todo o código, precisamos transformar a IA em nossa aliada. Reunimos aqui como criar seu próprio fluxo de trabalho de segurança que opere de forma inteligente, como o Project Glasswing.
Automatizar a revisão de segurança permite eliminar tarefas repetitivas e simples que consumiam mais de 10 horas por semana. Isso também evita erros que passariam despercebidos pelo olho humano. Tente construir um pipeline que chame APIs de LLM no ambiente do GitHub Actions para escanear em tempo real sempre que um Pull Request for aberto. A estratégia principal não é apenas fazer perguntas, mas separar a identificação da auditoria.
LLM_API_KEY nos GitHub Secrets. Ela deve ser mantida no armazenamento criptografado Libsodium para evitar vazamentos acidentais da chave para o exterior.path-filter na configuração YAML para selecionar e escanear apenas diretórios sensíveis, como src/auth ou lib/core, onde um incidente seria fatal.Com essa configuração concluída, o responsável pela segurança só precisa revisar o relatório de segurança resumido pela IA, em vez de dezenas de milhares de linhas de código.
Ferramentas de IA são boas em encontrar vulnerabilidades, mas também geram muitos falsos positivos. Se 100 itens forem encontrados e 15 deles forem falsos, a equipe de desenvolvimento inevitavelmente ficará frustrada. Para não desperdiçar recursos limitados de desenvolvimento, é necessário um critério para filtrar as ameaças reais. Defina as prioridades mesclando a pontuação CVSS 4.0 com o índice EPSS, que indica se ataques reais estão ocorrendo no momento.
Ao focar apenas em classificações críticas de 9.0 ou superiores, o nível de segurança sobe drasticamente. Reduzir solicitações de correção desnecessárias também diminui naturalmente os conflitos com a equipe de desenvolvimento.
As correções sugeridas pela IA podem parecer perfeitas superficialmente, mas às vezes quebram funcionalidades que estavam operando normalmente. Empresas como a Shopify usam IA, mas não confiam cegamente no código gerado. É necessário ter um procedimento para verificar automaticamente se o código do patch é seguro em ambientes isolados como Firecracker ou gVisor.
sbx CLI para subir uma MicroVM que tenha o mesmo ambiente de runtime do serviço atual.Essas salvaguardas evitam que códigos criados pela IA — que estão "quase certos", mas apresentam erros sutis — cheguem ao servidor de produção.
Não devemos parar após corrigir apenas o nosso serviço. Reportar falhas do próprio código aberto que estamos utilizando para o projeto original também é dever do responsável por segurança. Mantenedores são pessoas ocupadas, então você deve fornecer evidências claras. Utilize os canais PVR do GitHub para entregar o relatório de forma responsável.
No título, descreva claramente o tipo e a localização da vulnerabilidade. Incluir um caminho de reprodução que qualquer um possa seguir e capturas de tela é o básico. O melhor é enviar junto o código de correção que você já validou anteriormente na sandbox. Ao reduzir o tempo de revisão para o mantenedor, a probabilidade de o patch ser aceito aumenta drasticamente. Um relatório bem feito comprova a capacidade técnica da empresa e pode até resultar na obtenção de um número oficial de CVE.