保护一个账户、一家网店或一个共享文件,起初看似是一项简单的任务,直到遇到那些棘手的问题:哪些信息最为重要?谁可能会试图获取这些信息?对方会通过何种途径实施?这会造成什么后果,以及哪种防护措施应当享有优先级?
数字威胁模型正是用来组织梳理这些问题的。它是对一个系统、其各项资产、可能出现问题的具体场景以及可用于应对的各项措施的书面化呈现。其目的并非猜测每一种可能发生的攻击,而是在安全事件迫使人们临时应对之前,明确各项保护决策。
有必要区分三个概念。威胁建模是指开展分析的活动;模型是记录并持续维护的分析结果;方法论则是组织这项工作的具体方式。目前存在多种实用的方法,但没有任何一种可以作为通用的固定方案。
核心观点: 威胁模型并不是一份恐惧清单,而是一幅以资产、场景、后果和控制措施为基础的防御决策图。
不应混淆的概念
模型的清晰度取决于能否准确使用其各项概念。在日常用语中,“威胁”、“风险”与“事件”往往被混为一谈。但在数字安全领域,它们各自承担着不同的职能:
- 威胁是指可能造成损害的某种情况或事件,例如未经授权的访问企图。
- 脆弱性是指可能被利用的薄弱环节,例如过于宽泛的权限设置或错误的配置。
- 风险体现的是遭受损害的敞口程度,综合考量了其发生的概率与产生的影响。
- 事件是指实际发生的不利情形。
- 控制措施则是旨在预防、发现、限制或协助纠正损害的安全保障机制。
它们之间的关系可以概括如下:威胁可能会利用某种脆弱性;这种组合产生了风险;如果该场景实际发生,就构成了安全事件;而控制措施旨在降低其发生的概率或减轻其造成的后果。这种区分也避免了将风险误当作必然发生的事实来讨论。
建模同样不等同于全面的风险评估。它有助于描述各种场景和防御手段,但评估概率、影响和残留风险还需要结合更多的具体背景信息。威胁模型为风险评估提供支撑,但并不能取而代之。
实用模型包含的内容
起步阶段并不需要复杂的工具。一段文字说明、一张表格或一幅示意图,只要能让人理解相关要素及其相互关系,就可能足够。
分析的起点是资产:即其访问、完整性或可用性具有重要意义的数据、账户、功能、设备或服务。资产的价值并不局限于金钱衡量。一份通讯录之所以重要,可能是因为它揭示了人际交往关系;一份病历之所以重要,是因为它涉及个人隐私;而一个管理员账户之所以重要,则是因为它拥有对系统的控制权限。
随后需要界定范围。当前正在分析的是服务的哪一部分,哪些部分被排除在外?在这一边界之内,需要识别出各个组件、用户、外部依赖项、信息流以及信任边界——即控制某项事物或能够访问它的主体发生变化的节点。
此外还要描述潜在的威胁主体,而不能假定所有人具备相同的能力或动机。以此为基础,进一步审视攻击面(即暴露在外供交互使用的所有触点集合)以及攻击途径(即可能产生有害行为的大致路径)。其目标是对系统进行理性推演,而非讲解如何攻破该系统。
最后,模型会记录潜在的影响、现有的控制措施、建议采取的应对方案以及所采纳的假设前提。这些假设至关重要:如果分析预先假定某家服务提供商始终会核实身份,或者假定某台设备值得信赖,那么这一依赖关系就必须明确体现出来。
有益的区分: 数字安全旨在保护系统与信息免受各种类型的损害。数字隐私则关乎个人数据的处理与控制。二者密切相关,但一方并不必然自动保障另一方。
如何逐步构建数字威胁模型
构建流程可以根据受保护对象的大小和价值进行调整。在简单情况下,通过以下五个步骤就足以完成一次完整的梳理。
1. 界定系统范围
明确分析的目标、高优先级资产以及评估的边界。描述谁在使用该系统、哪些数据进出系统、数据存储在何处以及系统依赖哪些外部服务。范围界定得过宽容易导致结论流于泛泛;范围界定得过窄则可能掩盖关键的依赖关系。
2. 识别威胁场景
探问在各个组件、数据流或信任边界上可能出现哪些问题。威胁场景应当清晰易懂:哪项资产会受到波及、何种条件会促成这种情形,以及会造成怎样的损害。分类方法有助于避免遗漏某些类别,但它无法取代对具体背景环境的了解。
3. 排定优先级
并非所有场景都需要投入同等的精力。应当综合考虑潜在影响、合理的发生概率以及现有的控制措施,对它们进行横向对比。如果相关信息尚不确定,应将这种不确定性如实记录下来。在缺乏证据的情况下设定过于精确的数字,容易造成虚假的准确感。
4. 选择处置方案
针对每一项优先处置项,决定是应当通过增加控制措施来降低风险、直接避免产生风险的活动、转移其部分后果,还是有意识地接受残留风险。控制措施可以是预防性的、检测性的,也可以是恢复性的。关键在于将其与旨在应对的具体场景关联起来,并核实它不会引入更为严重的次生问题。
5. 审查与维护
如果系统已经发生变化而模型却停滞不前,模型就会失去实用价值。当出现新的数据、用户、依赖项、功能或信任边界时,或者当发生的安全事件证明某些假设前提存在错误时,都应当对模型进行审查。维护模型并不意味着全盘推倒重来,而是针对受到影响的决策进行相应更新。
核心观点: 最理想的详尽程度是能够支持有效决策和审查。篇幅的冗长无法弥补范围界定的混乱,也不能掩盖未明示的假设。
案例分析:存有个人数据的账户
设想这样一个网络服务:用户在其中保存联络信息与文件。主要资产包括账户本身、身份凭据以及存储的具体内容。业务流程涵盖用户登录、找回访问权限、查阅文件,可能还涉及用于发送消息的外部第三方服务商。
一种可能的威胁场景是有人获取了该账户的非正当访问权限。其中相关的脆弱性可能是身份验证不够充分的找回流程。造成的后果可能包括机密性泄露、文件被篡改或原持有人被锁定无法登录。发生的概率与严重程度取决于具体环境,因此在没有依据的情况下直接将其定性为“高风险”是远远不够的。
控制措施可以综合运用安全性更强的身份验证、异常登录提示、对敏感操作变更设立限制,以及安全的账户找回机制。每项措施分别应对该场景下的某一部分环节,但仅凭其中任何一项,都无法确保安全事件完全不会发生。此外,分析过程还必须正视权衡取舍:更严格的防御措施可能会增加合法所有者找回自己账户的难度。
这个小型案例阐明了为什么单纯的控制措施清单或漏洞扫描工具无法取代建模分析。此类工具可以指出已知的薄弱环节,但它们无法判定哪些资产更为重要、数据如何流转,以及哪些后果是在可接受范围内的。
认识局限性也是模型的一部分
任何模型都是不完备的。构建模型需要耗费时间,依赖于可能发生变动的信息,且无法穷尽每一种潜在可能。明智的做法既不是轻言放弃,也不是将其演变成一项永无休止的工作,而是根据资产价值以及实际需要做出的决策来合理调节其分析深度。
此外,系统中始终会存在残留风险。合理的防范目标在于理解并明确承担这种风险,而非承诺绝对的安全。这种严谨的思考方式所保护的不仅是基础设施本身,更有助于维护信息、数字财产、个人自主性以及依赖可靠系统的各种交流与交易。
因此,一份实用的模型最终会落脚于一系列开放性问题:支撑我们决策的基础假设是什么?出现何种变化会导致这些假设失效?应当由谁来负责审查这份文件?如果这些回答都被清晰地记录在案,威胁模型就不再是一张静止的快照,而是转变为对数据和技术实施负责任控制的有效工具。
分享