Tech Meridian ← К СУЩНОСТЯМ
PROМОЙ MERIDIAN EN

ТЕМА · ENTITY #1142

secret scanning

Хронология связанных событий, источники и контекст из новостной базы.

ХРОНОЛОГИЯ СОБЫТИЙ

3

MODELS · 1 ИСТОЧН. · GitHub AI & ML

GitHub внедрил контекстный классификатор на ModernBERT для уменьшения ложных срабатываний при поиске секретов

GitHub внедрил двухэтапную систему: сначала быстрый поиск кандидатов по регулярным выражениям, затем дообученный классификатор ModernBERT, оценивающий кандидата вместе с контекстом. Новая схема обеспечивает на 86% быстрее выполнение пост‑push сканов, более чем 98% экономию затрат по сравнению с LLM‑решением и повышение принятия результатов пользователями на 11,5% за счёт снижения ложных срабатываний.

7.0

COMPANIES · 1 ИСТОЧН. · GitHub AI & ML

GitHub добавляет дообученный классификатор для защиты пушей от неструктурированных секретов

GitHub сообщает, что AI‑агенты участвуют примерно в каждой третьей pull‑request и что число публичных утечек секретов удваивается ежегодно; чтобы масштабировать предотвращение утечек, компания представила дообученный классификатор (вместе с Microsoft Applied Sciences), который оценивает кандидаты‑секреты менее чем за две миллисекунды и расширяет push‑защиту на неструктурированные секреты. GitHub также опубликовал операционные метрики: публичный секрет появляется примерно раз в две секунды, push‑защита предотвращает около 30% вновь обнаруженных секретов до попадания в историю репозитория, между Q2 2024 и Q2 2026 проверяемые пуши выросли в 2.84×, пуши с учетными данными — в 2.59×, а среднее время ручной аннуляции секретов составляет около 40 дней.

7.0

MODELS · 1 ИСТОЧН. · GitHub AI & ML

GitHub: Как оценивать большие языковые модели перед выводом в продакшн

Блог GitHub опубликовал материал «Как оценивать большие языковые модели перед выводом в продакшн», в котором изложены выводы команды при оценке моделей для реальной системы поиска секретов. Статья подается как практическое руководство по проверке поведения и пригодности моделей перед развертыванием.

6.0