12、代码安全测试全解析

代码安全测试全解析

1. 软件开发各阶段的安全考量

在软件开发的整个生命周期中,不同阶段都有其特定的安全测试需求。
- 发布阶段 :系统会经历最终安全审查(FSR),目的是从安全角度判断系统是否准备好向客户发布。理想情况下,FSR应在系统发布前2 - 6个月进行,以确保审查的代码尽可能成熟且稳定。不过,这很大程度上依赖于系统的发布计划,在快速迭代的发布模式下,这个时间线往往难以实现。FSR通常由独立团队甚至外部安全审查顾问进行,以减少产品设计团队的先入之见和偏见对审查的影响。
- 支持与维护阶段 :由于无法交付完全无漏洞的系统,因此需要对新发现的漏洞做出响应。这包括评估新漏洞报告并按需发布修复程序。同时,还需要对发现的安全漏洞进行事后评估和分析,以确定是否需要更改流程、更新或更改工具等。

2. 极限编程与安全测试

极限编程(XP)、敏捷编程等“测试驱动开发”方法鼓励编写能通过预设测试的代码,这对功能测试和特性测试有益,但在安全测试方面效果不佳。在XP中,代码即设计,驱动代码的用户故事和单元测试不够详细,难以充分暴露设计缺陷。为了更好地解决这个问题,应将安全问题提前到开发周期的早期,并在项目中加入“攻击”或“滥用”场景。

3. 黑盒与白盒安全测试
  • 定义
    • 黑盒测试 :在不了解系统内部设计的情况下进行测试,就像无法看到系统内部的情况,通常不涉及代码审查。
    • 白盒测试
根据原作 https://pan.quark.cn/s/459657bcfd45 的源码改编 Classic-ML-Methods-Algo 引言 建立这个项目,是为了梳理和总结传统机器学习(Machine Learning)方法(methods)或者算法(algo),和各位同仁相互学习交流. 现在的深度学习本质上来自于传统的神经网络模型,很大程度上是传统机器学习的延续,同时也在不少时候需要结合传统方法来实现. 任何机器学习方法基本的流程结构都是通用的;使用的评价方法也基本通用;使用的一些数学知识也是通用的. 本文在梳理传统机器学习方法算法的同时也会顺便补充这些流程,数学上的知识以供参考. 机器学习 机器学习是人工智能(Artificial Intelligence)的一个分支,也是实现人工智能最重要的手段.区别于传统的基于规则(rule-based)的算法,机器学习可以从数据中获取知识,从而实现规定的任务[Ian Goodfellow and Yoshua Bengio and Aaron Courville的Deep Learning].这些知识可以分为四种: 总结(summarization) 预测(prediction) 估计(estimation) 假想验证(hypothesis testing) 机器学习主要关心的是预测[Varian在Big Data : New Tricks for Econometrics],预测的可以是连续性的输出变量,分类,聚类或者物品之间的有趣关联. 机器学习分类 根据数据配置(setting,是否有标签,可以是连续的也可以是离散的)和任务目标,我们可以将机器学习方法分为四种: 无监督(unsupervised) 训练数据没有给定...
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符  | 博主筛选后可见
 
红包 添加红包
表情包 插入表情
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值