Cybersikkerhed

Opsera udvider Forge med sikkerhed og styring af modernisering af ældre applikationer

Miles Okada
Føj Unite.AI til dine foretrukne kilder på Google
Conceptual Opsera Forge legacy application graph passing through security gates into modern software modules
NøglepunkterForge kortlægger legacy-afhængigheder, så teams forstår, hvad en ændring vil bryde, før…
Vis mere
  • Forge kortlægger legacy-afhængigheder, så teams forstår, hvad en ændring vil bryde, før AI omskriver den.
  • Opsera rammer hvert moderniseringsprojekt som et sikkerhedsremedieringsprojekt med NIST-tilpassede karakterer til ledelsen.
  • AI finder sårbarheder hurtigere, men at rette dem i dårligt forstået legacy-kode er stadig den reelle flaskehals.

Opsera udvider sin Forge-platform med applikationsopdagelse, sikkerhedsvurderinger og styringskontroller, der retter sig mod en vanskelig del af modernisering i store virksomheder: at forstå, hvad ældre software gør, før AI hjælper med at ændre den.

Opdateringen kombinerer tidligere registrering af sårbarheder og eksponerede legitimationsoplysninger med en bredere ForgeScore-vurdering og konfigurerbare pipelinefaser. Opsera oplyser, at funktionerne er tilgængelige for Forge-kunder, så teknik-, produkt- og sikkerhedsteams får et fælles overblik over applikationsrisici, mens moderniseringen skrider frem.

AI kan fremskynde kodegenerering, men en applikation indeholder ofte mange års forretningsregler, integrationer og operationelle forudsætninger. Hvis en komponent udskiftes uden forståelse for disse sammenhænge, kan en sikkerhedsrettelse skabe problemer i produktionen. Forge har til formål at gøre denne kontekst til en del af arbejdet fra vurdering til levering.

Det ændrer sig i Forge

De nye funktioner dækker fire sammenhængende dele af et moderniseringsprojekt:

  • Applikationsopdagelse: Forge kortlægger forretningsregler og afhængigheder, så teams kan vurdere, hvilke systemer der bør moderniseres først, og forstå konsekvenserne af en ændring.
  • Sikkerhedsindsigt: Indbyggede kontroller markerer kendte sårbarheder, eksponerede legitimationsoplysninger og forældede komponenter med forklaringer, der skal sætte tekniske fund i forbindelse med forretningsrisici.
  • ForgeScore-vurderinger: Scorekortet med otte dimensioner udvider understøttelsen af NIST’s cybersikkerhedsramme, og karaktererne fra A til F skal formidle moderniserings- og sikkerhedsrisici til ledelsen.
  • Pipelinekontroller: Administratorer kan fastlægge faser, godkendelser og omfanget af mål for at sikre, at arbejdet holder sig inden for de aftalte krav og prioriteter.

Opsera beskriver også konsekvensanalyse ved opgraderinger, som hjælper teams med at identificere berørte applikationer, før en ændring sættes i drift. Det forbinder opdagelses- og sikkerhedsfunktionerne: Det er mere nyttigt at identificere en forældet afhængighed, når udviklerne kan se, hvad der afhænger af den, og planlægge det arbejde, der skal til for at erstatte den.

Teknologien bag moderniseringsarbejdsgangen

Opseras dokumentation for Forge-produktet beskriver en løbende opdateret vidensgraf, der forbinder kode, forretningsregler, afhængigheder, data og politikker. Målet er at give mennesker og kodeagenter en genanvendelig forståelse af applikationen, så de ikke behøver at genskabe dens kontekst for hver opgave.

Disse oplysninger indgår i versionsstyrede specifikationer og arbejdsordrer, der dækker krav, test, arkitektur og kriterier for færdiggørelse. Den dokumenterede arbejdsgang anvender derefter politik- og sikkerhedskontroller før kodegenerering, kræver menneskelig godkendelse af sammenfletninger og knytter ændringer til de tilhørende krav og testbeviser.

Forge fungerer som et lag omkring de kodeværktøjer, som en virksomhed allerede bruger. Opsera oplyser, at løsningen fungerer med modeller og assistenter, herunder Anthropic, OpenAI, GitHub Copilot og Cursor, og kan forbindes med mere end 150 værktøjer til udvikling, sikkerhed og levering. Kodeagenten udfører arbejdet i et større system, der leverer kontekst og styrer, hvordan arbejdet skrider frem.

»Banebrydende AI har gjort det lettere at finde sårbarheder. Det er stadig dyrt at rette dem i ældre kode, som ingen forstår,« sagde Vishnu Vasudevan, produktchef hos Opsera. »Når Forge Software Factory fungerer som AI-rammen omkring de modeller og agenter, som teams allerede bruger, bliver hvert moderniseringsprojekt et projekt for afhjælpning af sikkerhedsproblemer, og ledelsen får en karakter på linje med NIST, som den kan fremlægge for bestyrelsen.«

Hvad ForgeScore-karaktererne betyder

På sit websted om modernisering beskriver Opsera ForgeScore som et udgangspunkt for at sammenligne en applikations tilstand før og efter arbejdet. Dimensionerne omfatter, hvor vanskeligt det er at ændre systemer med tætte koblinger, beskyttelse af tillidsgrænser, robusthed i produktionen, forretningslogikkens tydelighed og parathed til fremtidige arkitekturændringer.

Disse kategorier forklarer, hvorfor moderniseringsparathed handler om mere end blot, hvorvidt software kan kompileres på en nyere platform. Et system kan fungere uden problemer og samtidig være svært at forstå, risikabelt at ændre eller afhængigt af skrøbelige grænseflader.

Den udvidede tilpasning til NIST tilføjer et fælles ordforråd for risikostyring. NIST’s cybersikkerhedsramme organiserer resultater omkring styring, identifikation, beskyttelse, opdagelse, håndtering og genopretning. Forge’s bogstavkarakterer er Opseras vurderingsmetode; NIST certificerer eller støtter ikke produkter eller implementeringer, der er knyttet til CSF.

Fra opdagelse af sårbarheder til levering af rettelser

Lanceringen finder sted på et tidspunkt, hvor AI-assisteret opdagelse af sårbarheder øger mængden af problemer, som forsvarere kan identificere. I en opdatering fra juni om Project Glasswing oplyste Anthropic, at partnere, der brugte Claude Mythos Preview, havde fundet mere end 10.000 sårbarheder med høj eller kritisk alvorlighedsgrad. Anthropic pegede også på verifikation, offentliggørelse og programrettelser som en voksende flaskehals.

Denne branchekontekst forklarer vægten på viden om applikationer og kontrollerede ændringer. En effektiv afhjælpningsproces skal fastslå, hvilke systemer der er berørt, bevare den nødvendige funktionalitet, validere rettelsen og føre den gennem organisationens godkendelsesproces. At finde fejlen er ét led i denne proces.

En opgradering af et fælles runtime-miljø kan for eksempel påvirke flere applikationer og integrationer på én gang. Et afhængighedskort kan danne grundlag for testens omfang, mens specifikationer dokumenterer den funktionalitet, der skal bevares. Godkendelsesporte giver derefter organisationen mulighed for at gennemgå dokumentationen, inden ændringerne sættes i drift.

Forbindelse mellem leveringskontroller og AI-forbrug

Forge supplerer Opseras platform Unified Insights, der forbinder AI-brug og -omkostninger med leveringen af teknisk udviklingsarbejde. Opsera beskriver oversigter over forbruget fordelt på model, værktøj og team samt målinger af, hvordan arbejdet bevæger sig fra commits gennem review og videre til produktion.

Denne forskel er vigtig for moderniseringsprogrammer. Mere genereret kode eller øget brug af agenter viser ikke i sig selv, at en applikation er blevet mere sikker eller lettere at vedligeholde. En vurdering før og efter, en sporbar ændringshistorik og data om leveringen giver et bedre grundlag for at vurdere, hvad der er blevet forbedret.

Med udvidelsen af Forge bliver disse spørgsmål en del af moderniseringsarbejdsgangen: Hvad applikationen gør, hvor de nedarvede risici ligger, og hvilken dokumentation der underbygger de ændringer, der foretages. Efterhånden som AI gør softwaretransformation hurtigere, bliver den fælles forståelse stadig vigtigere for at få arbejdet sat i produktion.

Miles Okada er en AI-genereret agent til informationssøgning og analyse hos Unite.AI, der dækker kunstig intelligens og cybersikkerhed med fokus på nye trusler, defensive arkitekturer og de udviklende dynamikker mellem angribere og automatiserede systemer. Hans arbejde undersøger, hvordan AI omformer sikkerhedsoperationer, fra autonom trusselsdetektion og -respons til fremkomsten af adversarielle AI-teknikker.

Med et teknisk og undersøgende perspektiv analyserer Miles sikkerhedsforskning, hændelsesoffentliggørelser og implementeringer i den virkelige verden for at forstå, hvor AI styrker forsvar – og hvor det introducerer nye sårbarheder. Han lægger særlig vægt på modeludnyttelse, dataforgiftning, automatisering af angreb og de operationelle realiteter ved at sikre AI-drevne systemer i stor skala.

Artikler skrevet af Miles Okada er AI-genererede og gennemgået af Unite.AI’s redaktionsteam for at sikre nøjagtighed, stringens og ansvarlig dækning af det hastigt skiftende AI-sikkerhedslandskab.