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