作者:新思科技软件质量与安全部门安全团队
真正实施DevSecOps需要关键的文化和实践变革,将安全性集成到软件开发生命周期(SDLC)中。本文将介绍DevSecOps的五个基本要素。
DevSecOps是一种全新的安全理念和模式,从DevOps的概念延伸和演变而来,如今备受企业青睐。但是如何在不降低开发周期速度的情况下,把安全融入DevOps进程,有效实施DevSecOps呢?新思科技能够将工具和服务无缝集成到 DevSecOps 和您的 SDLC并且帮助您查找和修复专有代码、开源组件和应用程序行为的缺陷,从而帮助企业更快地构建安全优质的软件。
我们正快速向DevSecOps迈进,同时静下心来进行自我定位是非常有意义的。长期以来,开发和运营团队相互协调,为同一个目标奋进:快速交付稳定的、高质量的软件。通过将手动流程自动化并且将工具构建到持续集成和持续交付(CI/CD)管道,增加了团队之间的信任,这对那些曾经在不同的部门、如今一起解决关键问题的团队来说是非常必要的。
当谈论DevOps原则时,人们很容易想到在公司里应用DevOps的三种不同方法,但是每一种方法都促进了整个DevOps概念的落地,包括帮助团队在公司实施其规范性的步骤。
这个重要基础很自然会导向DevSecOps。在软件开发生命周期(SDLC)早期采用DevOps可以缩短反馈回路并且降低复杂性,从而使工程师能够更快、更轻松地检测和修复安全性和合规性问题。
在技术价值流中,DevOps可能是将信息安全更好地集成到每个人日常工作的最佳方式之一。—The DevOps Handbook
真正实施DevSecOps需要关键的文化和实践变革,将安全性集成到软件开发生命周期(SDLC)中,这包括以下5个方面:
所以要做到成功的DevSecOps只需要这五个基本要素吗?我知道你们怎么想 —— 知易行难。那么,你如何在组织中实现每项变革呢?
为你的工作环境找到正确的工具是重要的一步,你需要找到适合CI/CD工作流以及自动运行的工具。不仅仅如此,你还需要这些工具能够在出现问题时通知合适的人,对其进行相关培训,并提供如何修复的指导。而且在集成和测试期间,以及在安装、部署和维护中,你不能只做一次。你必须在开发生命周期早期进行测试(我们通常称之为“向左移”)。在应用程序投产之后,你无法确保其持续的安全性,你必须在生产过程中持续测试并且修复任何新的安全问题。
尽管采用DevOps方法以及CI/CD技术非常重要,但并非企业或组织中所有的团队都必须采取这些方式。—451 Research
仅凭安全的工具和自动化无法保证应用程序的安全性。投资你的团队并且使他们能够构建真正的DevSecOps文化,将软件安全培训作为优先事项,并且确保培训与员工的角色和项目相关。或许最重要的是,你需要记住DevOps不是微小的改变,这是对公司文化的真正改变,这需要时间、培训、工具以及拥抱DevOps文化的愿望。将安全性集成到DevOps团队的日常工作中可能需要耗费时间,但这是有价值的。开发、运营和安全团队将协同工作,以提高交付软件的质量和安全性,从而加快软件交付速度,最终提升客户满意度。
好文章,需要你的鼓励
Replit与RevenueCat达成合作,将订阅变现工具直接集成至Replit平台。用户只需通过自然语言提示(如"添加订阅"),即可完成应用内购和订阅配置,无需离开平台。RevenueCat管理超8万款应用的订阅业务,每月处理约10亿美元交易。此次合作旨在让"氛围编程"用户在构建应用的同时即可实现商业变现,月收入未达2500美元前免费使用,超出后收取1%费用。
LiVER是由北京大学、北京邮电大学等机构联合提出的视频生成框架,核心创新是将物理渲染技术与AI视频生成结合,通过Blender引擎计算漫反射、粗糙GGX和光泽GGX三种光照图像构成"场景代理",引导视频扩散模型生成光影物理准确的视频。框架包含渲染器智能体、轻量化编码器适配器和三阶段训练策略,支持对光照、场景布局和摄像机轨迹的独立精确控制。配套构建的LiVERSet数据集含约11000段标注视频,实验显示该方法在视频质量和控制精度上均优于现有方法。
所有人都说AI需要护栏,但真正在构建它的人寥寥无几。SkipLabs创始人Julien Verlaguet深耕这一问题已逾一年,他发现市面上多数"护栏"不过是提示词包装。为此,他打造了专为后端服务设计的AI编程智能体Skipper,基于健全的TypeScript类型系统与响应式运行时,实现增量式代码生成与测试,内部基准测试通过率超90%。他认为,编程语言的"人类可读性时代"正走向终结,面向智能体的精确工具链才是未来。
这项由蒙特利尔学习算法研究所(Mila)与麦吉尔大学联合发布的研究(arXiv:2604.07776,2026年4月)提出了AGENT-AS-ANNOTATORS框架,通过模仿人类数据标注的三种角色分工,系统化生成高质量网页智能体训练轨迹。以Gemini 3 Pro为教师模型,仅用2322条精选轨迹对90亿参数的Qwen3.5-9B模型进行监督微调,在WebArena基准上达到41.5%成功率,超越GPT-4o和Claude 3.5 Sonnet,并在从未见过的企业平台WorkArena L1上提升18.2个百分点,验证了"数据质量远比数量重要"这一核心结论。