漏洞管理的“新药”

预览

漏洞管理Vulnerability Management的痛点不言而喻，自从2017年以来几乎成倍增长，而且每年增多，上图显示2020年前3个季度已经有将近1万4千个CVE漏洞。然而近日Kenna Security安全公司指出，2019年披露的1.8万个CVE中仅有473个遭到可能影响公司企业的恶意利用。修复漏洞也是需要成本的，哪些该修，哪些可以按部就班，“漏洞管理”对于企业，正成为发现漏洞以外的另一个头痛的问题。近日笔者发现SecureWorks的一份产品PR文就戳中了不少这些痛点，今天且分享一下其提高漏洞管理效率的几个入手点：

• 通过AI识别漏洞利用趋势VTS（Vulnerability Trends Score）

• 基于上下文的漏洞风险评分CPS（Contextual Priotizization Score）

• 通过SaaS服务利用基于行业的修复优先评分    

虽然这些观点跟其他厂商的提的也差不多，但过去往往都没有给出详细实现的方法，通过翻阅了SecureWorks去年（2020.09）收购的Delve Security（加拿大漏洞管理厂商）的材料，我们可以看到一些详情。

MySQL远程代码执行漏洞CVE-2016-6662基于上下文重新评估的风险分

一、通过AI识别漏洞利用趋势VTS（Vulnerability Trends Score）

将基于AI的情感分析技术套用到网络安全领域，大量收集CyberSercurity领域的新闻网络，社交网络，博客，安全公告等在线网络安全对话源，以此预测哪个漏洞最有可能被利用，哪些是网络安全专家最关注的，以及随着时间推移这些“情感”度的变化（当一个漏洞出现exploit，往往这种情感度就会快速变化）。过去很多情报厂商也以此为卖点，今天且看看Delve Security具体是怎么做的。

首先，是通过National Vulnerability Database (NVD)公布的每个CVE漏洞及其文字描述，提取特征关键字Tokens。

对提取的“关键字”打数字标签，作为LDA（Latent Dirichlet Allocation）文档主题生成模型的输入

持续对新公布的漏洞进行在线学习，通过LDA模型，生成相应的“话题” topic

然后收集网上对漏洞和漏洞利用的讨论内容，结合上面形成的topic进行关联，得出某个“话题”的热度趋势

最后通过开始从NVD提炼的topic向量和上面的趋势向量做点积运算，得出漏洞趋势分数Vulnerability Trends Score (VTS)，以此作为漏洞管理优先级的其中一个参考维度

二、基于上下文的漏洞风险评分CPS（Contextual Priotizization Score）

所谓上下文，就好比如游泳健将菲尔普斯训练的时候一天要12000卡的卡路里（正常人大约就2000卡左右），如果没有游泳健将这个上下文，医生一定会认为菲尔普斯的饮食不健康。同样的，CVE的评分也是一样的道理，虽然作为评估单个漏洞可以起重要作用，但是用于衡量漏洞对企业自身风险而言还是有很大不足。如文章开头的CVE-2016-6662MYSQL漏洞一样，通过30多项上下文，以CVE评分10分为起点，结合上下文重新评估出CPS（Contextual Priotizization Score）为7分。

基于漏洞本身属性、资产的上下文、网络的上下文、组织的上下文、外部威胁情报的上下文。以专家的经验形成机器学习专家，针对以上5个方向分别独立给出判断分值，再进行聚合，最终形成CPS

更具体的可以看看该公司开源了一个名为“淘金盘”（Batea）的工具，工具通过Nmap的扫描报告，计算CVE评分在企业上下文环境下需要优先修复的漏洞资产。首先是将nmap报告处理为Python对象，然后通过Isolation Forest的异常检测算法进行筛选。样例中针对一千多个IP地址，先进行简单的二维分析，以IP地址最后一个C段为横坐标，X坐标0~300，代表IP地址的末位数值，Y轴代表端口数量，大部分IP地址都只开放有限的端口所以趋向于0，而越是离散的点代表开放的端口越多，越有可能是异常

通过不断添加更多的维度（features）加入此模型，比如端口数量、服务名称数量等，可以通过模型推测开放相同服务的资产中，其端口的熵值越大的资产，越有可能存在错误的配置。再结合漏洞CVE的维度，CVE分数越高，端口信息熵值越大的那个区域（下图标红部分）的资产，就成为需要优先关注和修复漏洞的资产清单

三、通过SaaS服务利用基于行业的修复优先评分

类比于“学生时代抄作业”，每个人都自己做题，有的做得对，有的做的错，但是当“坏”学生去抄作业的时候，发现90%的人都选了一个答案，那么这个答案是正确的几率会更大。同样，在SaaS服务时代，多个组织都选择实际修复的漏洞，就容易冒泡成为需要优先修复的漏洞。通过机器学习算法——Gradient Boosted Tree Regression（一种迭代的决策树算法，该算法由多棵决策树组成，所有树的结论累加起来做最终答案）以用户的选择、偏好、用户历史修复的情况为输入，从而预测最应该优先修复的漏洞。

无独有偶，知名漏洞管理厂商rapid7也在2020年推出了社区版的漏洞评价社区AttackerKB，提供一个社区给各安全从业人员反馈对漏洞影响的评分。包括漏洞对攻击者的价值、是否在野利用、漏洞分析详情等。

同期，Tenable也在的官网的漏洞检测策略中增加了Vulnerability Priority Rating的评分。同样有它一系列的评分标准，包括漏洞被公布的时长、CVSSv3的影响分，漏洞利用代码的成熟度，受影响产品的覆盖率，威胁源信息（社交媒体、暗网等讨论情况）

相关工具地址：

“淘金盘”（Batea）开源地址：https://github.com/delvelabs/batea

“淘金盘”（Batea）在线试用：https://batea.delvesecurity.com/

AttackerKB社区：https://attackerkb.com/