es.wedoany.com Noticia: GitHub, en colaboración con el equipo de Agents Offense de Seguridad e IA de Microsoft (Microsoft Security & AI’s Agents Offense team), ha aplicado el método de verificación de Agentic Secret Finder para incorporar un razonamiento contextual más amplio en la verificación de escaneo de secretos de GitHub. Este método combina el pipeline de detección a gran escala de GitHub con la verificación contextual basada en LLM, logrando reducir la tasa de falsas alarmas en un 75,76 %, superando el objetivo previamente establecido del 65 %. En la evaluación, el equipo probó el método con 1500 alertas de falsas alarmas confirmadas por los clientes. Dada la enorme escala del repositorio de código de GitHub, las falsas alarmas en las alertas de escaneo de secretos han sido un problema persistente para los desarrolladores, ya que un exceso de alertas de bajo valor socava la credibilidad del sistema.
La detección tradicional basada en coincidencia de patrones, aunque puede identificar cadenas similares a secretos, tiene dificultades para distinguir entre una exposición real y valores que solo parecen sensibles. Para abordar este desafío, el equipo no se limitó a aumentar la cantidad de datos analizados, sino que se centró en extraer una pequeña parte de información de alta señal. Por ejemplo, el sistema verifica si el valor asignado a una variable se pasa posteriormente a solicitudes de API, encabezados de autenticación, clientes de bases de datos o llamadas a SDK en la nube. La investigación encontró que la mayoría de las falsas alarmas pueden resolverse únicamente con el contexto a nivel de archivo enfocado, mientras que pasar todo el archivo o repositorio introduce demasiado ruido y aumenta los costos y la latencia. Esta estrategia de "mejor contexto" en lugar de "más contexto" permite al sistema distinguir de manera más efectiva entre secretos reales y datos de prueba o marcadores de posición.
Este método se construye directamente sobre el sistema de escaneo de secretos existente de GitHub, mejorando la capacidad de conciencia contextual del paso de verificación sin modificar la lógica de detección ascendente ni reducir la cobertura. El escaneo de secretos de GitHub originalmente combinaba la detección basada en patrones con la detección universal de secretos impulsada por IA, cubriendo decenas de millones de desarrolladores y miles de millones de envíos en millones de repositorios. Esta colaboración tiene como objetivo elevar la precisión de los secretos detectados por IA al mismo alto estándar que la detección de patrones de proveedores.
Esta mejora se refleja directamente en la experiencia del desarrollador. La reducción de alertas irrelevantes permite a los desarrolladores priorizar y solucionar más rápidamente los problemas reales. Actualmente, GitHub continúa evaluando este método en conjuntos de datos más grandes y tráfico en tiempo real, optimizando aún más el proceso de extracción y verificación de contexto.
Este artículo es compilado por Wedoany, las citas de la IA deben indicar la fuente «Wedoany»; si hay alguna infracción u otro problema, por favor notifícanos a tiempo, este sitio lo modificará o eliminará. Correo electrónico: news@wedoany.com
