GitHub免费提供机器学习扫描代码漏洞，现已支持JavaScript/TypeScript

晓查 发自 凹非寺
量子位 | 公众号 QbitAI

今天，GitHub更新一项实验版新功能。

用上机器学习后，新版CodeQL代码扫描服务可以帮开发者发现更多安全漏洞。

目前在JavaScript和TypeScript存储库上开发测试，以后会逐步增加各种语言支持。

在测试期间，CodeQL已经从12,000个存储库中发现了超过20,000个安全问题，包括远程代码执行（RCE）、SQL 注入和跨站脚本（XSS）漏洞。

如何使用

GitHub的CodeQL代码扫描对于公共存储库是免费的。

目前，新的JavaScript/TypeScript分析工具，已向security-extended和security-and-quality分析套件的所有用户推出。

如果你已经在使用这些套件，那么将自动使用新的机器学习技术进行分析。

如果你之前没使用过，可按照以下步骤启用CodeQL。

1、在你的存储库主页下，单击Security。

3、在Code scanning alerts右侧，点击Set up code scanning。如果缺少这一项，需要由存储库管理员启用GitHub高级安全性。

4、在“Get started with code scanning”下，单击在CodeQL Analysis中的Set up this workflow。

5、使用Start commit下拉菜单，输入文件名并提交。

6、选择直接提交到默认分支，还是创建一个新分支并启动拉取请求。

8、单击提交新文件。

代码扫描分析成功后，用户将在“Security”选项卡中看到安全警报信息。

为何用ML能产生更好效果

为了检测存储库中的漏洞，CodeQL引擎首先构建了一个数据库，对代码的特殊关系表示进行编码，然后在数据库上执行一系列CodeQL查询。

但随着开源生态系统的快速发展，长尾效应越来越明显。

安全专家不断扩展和改进这些查询，对其他常见库和已知模式进行建模。然而，手动建模很耗时，而且总会有一些无法手动建模的不太常见的库和私有代码。

这时候机器学习就派上了用场。

通过给定大量训练代码片段，每个查询都标记为正面或负面样本，为每个片段提取特征，并训练深度学习模型对新示例进行分类。

GitHub不是将每个代码片段简单地视为一串单词或字符，直接应用标准NLP技术对这些字符串进行分类，而是利用CodeQL访问有关底层源代码的大量信息，为每个代码片段生成一组丰富的feature，然后像NLP那样对它们进行标记和子标记。

由此从训练数据中生成一个词汇表，并将索引列表输入到深度学习分类器中，输出当前样本是每种漏洞的概率。

虽然现在基于ML的漏洞扫描仅适用于JavaScript/TypeScript，但GitHub承诺未来会支持更多语言，现在CodeQL已经支持了Python、Go、C/C++在内的多种流行语言。

最后，GitHub还强调，虽然全新工具可以发现更多漏洞，但也有可能提高误报率（召回率约为 80%，精度约为 60%）。未来这项功能会随着时间推移而改善。

参考链接：
[1]https://github.blog/2022-02-17-code-scanning-finds-vulnerabilities-using-machine-learning/
[2]https://github.blog/2022-02-17-leveraging-machine-learning-find-security-vulnerabilities/
[3]https://docs.github.com/en/code-security/code-scanning/automatically-scanning-your-code-for-vulnerabilities-and-errors/setting-up-code-scanning-for-a-repository