ExposureAI(07)一暴露面管理如何支撑渗透测试的实战化、常态化?

admin

103118
文章

87
评论

2023年9月24日17:23:13评论40 views字数 1775阅读5分55秒阅读模式

——ExposureAI(07)——

暴露面管理如何支撑渗透测试的“实战化、常态化”?

PART 1

概述

渗透测试的技术要求与操作流程均较复杂。在常规的渗透测试业务中，大部分工作都是由“人工+工具”的方式完成。无论攻防双方，其技术发展的一个重要趋势都是智能化，以此来解决安全能力的积累、复用、增效等棘手问题。早期阶段主要利用脚本或常用编程语言实现插件化的渗透测试框架，随着人工智能的发展，渗透测试也进入了智能化的时期，基于深度强化学习支撑渗透测试，提升渗透测试的执行效率与覆盖率。

暴露面管理系统包括了数字资产探测、安全漏洞扫描、安全漏洞挖掘、攻击路径分析（最大风险攻击路径展示）、安全漏洞验证等关键环节，基于深度强化学习所支持的智能化渗透测试方法，构建自动化渗透测试流程，将人工智能、威胁情报赋能渗透测试，有效增强了渗透测试流程中的数字资产测绘、攻击路径分析、漏洞验证能力，从而改进了自动化渗透测试的使用效果。

PART 2

渗透测试过程

典型的渗透测试过程如下：

在渗透的各个阶段，
暴露面管理系统(EM)发挥的作用如下：

阶段	EM功能模块	AI应用场景
信息收集	1）数字资产探测：获得渗透测试对象的资产属性信息、网络拓朴信息、基础软件信息、应用软件与组件程序信息。 2）敏感数据泄露监测：互联网/暗网相关的敏感数据。 3）威胁情报收集：依据威胁情报，并结合资产指纹、漏洞利用数据、入侵和攻击情况等多维度的关联分析，对未知资产（包括违规资产、影子资产）、失陷资产进行及时准确发现。 4）软件成份分析：准确识别软件中的开源成分（包括开源源代码成分、开源二进制成分、引用依赖的开源组件成分等），形成开源成分清单和图谱。	1）基于AI的资产指纹识别； 2）基于关联分析和扩展威胁情报（XTI）的资产发现； 3）基于内容相似度的敏感数据泄露监测。
漏洞发现与分析	漏洞信息收集：包括主机漏洞和web漏洞。漏洞POC验证、弱口令验证等。	1）基于聚类和深度学习的软件成分分析 2）基于智能匹配技术的自动漏洞发现 3)基于深度学习的自动化漏洞验证
攻击图	攻击图是一种基于模型的网络安全评估技术。它从攻击者的角度出发，在综合分析多种网络配置和脆弱性信息的基础上，找出所有可能的攻击路径，并提供了一种表示攻击过程场景的可视化方法。	基于深度强化学习的攻击图生成
攻击路径分析	依据攻击路径图，基于深度强化学习的最优攻击路径分析技术，送入深度强化学习引擎进行分析，输出最大威胁攻击路径，从而形成黑客视角的暴露面最大风险分析结果。	基于深度强化学习的攻击路径分析
渗透攻击	自动化的威胁分析、自动化的漏洞验证。	基于深度学习的自动化漏洞验证
内部渗透	通过系统驱动口令破解工具、嗅探工具、模拟高级网络威胁，在内网进行横向移动。	基于深度学习的自动化漏洞验证
渗透测试报告	使用报告模板自动生成渗透测试报告，部分结论需要人工研判。	——