Das risikobasierte Schwachstellenmanagement (Risk-Based Vulnerability Management, RBVM) ist ein relativ neuer Ansatz für das Schwachstellenmanagement. RVBM kombiniert interessengruppenspezifische Schwachstellendaten mit künstlicher Intelligenz und maschinellen Lernfunktionen, um das Schwachstellenmanagement auf drei wichtige Arten zu verbessern.
Mehr Kontext für eine effektivere Priorisierung. Herkömmliche Lösungen zur Verwaltung von Schwachstellen bestimmen die Kritikalität anhand von branchenüblichen Ressourcen wie dem CVSS oder dem NIST NVD. Diese Ressourcen stützen sich auf Allgemeinheiten, die die durchschnittliche Kritikalität einer Schwachstelle über alle Unternehmen hinweg bestimmen können. Es fehlen jedoch Daten zu den einzelnen Interessengruppen, was zu einer gefährlichen Über- oder Unterbewertung der Wichtigkeit einer Sicherheitslücke für ein bestimmtes Unternehmen führen kann.
Da zum Beispiel kein Sicherheitsteam die Zeit oder die Ressourcen hat, sich um jede Schwachstelle in seinem Netzwerk zu kümmern, priorisieren viele die Sicherheitslücken mit einem „hohen“ (7,0–8,9) oder „kritischen“ (9,0–10,0) CVSS-Score. Wenn jedoch eine „kritische“ Schwachstelle in einem Asset vorhanden ist, das keine sensiblen Daten speichert oder verarbeitet oder keine Wege zu hochwertigen Segmenten des Netzwerks bietet, lohnt sich die Sanierung möglicherweise nicht.
Sicherheitslücken mit niedrigen CVSS-Scores können für einige Unternehmen eine größere Bedrohung darstellen als für andere. Der Heartbleed-Fehler, der 2014 entdeckt wurde, wurde auf der CVSS-Skala als „mittel“ (5,0) eingestuft. Dennoch nutzten Hacker sie, um groß angelegte Angriffe durchzuführen, wie z. B.den Diebstahl der Daten von 4,5 Millionen Patienten aus einer der größten US-Krankenhausketten.
RBVM ergänzt das Scoring mit Daten zu Schwachstellen, die auf die jeweiligen Interessengruppen zugeschnitten sind – die Anzahl und Kritikalität der betroffenen Assets, die Verbindung der Assets mit anderen Assets und der potenzielle Schäden, die ein Exploit verursachen könnte – sowie mit Daten darüber, wie Cyberkriminelle mit Sicherheitslücken in der realen Welt umgehen. Es nutzt maschinelles Lernen, um Risikobewertungen zu formulieren, die das Risiko jeder einzelnen Sicherheitslücke für das Unternehmen genauer widerspiegeln. Dadurch können IT-Sicherheitsteams einer geringeren Anzahl kritischer Schwachstellen Priorität einräumen, ohne die Netzwerksicherheit zu beeinträchtigen.
Erkennung in Echtzeit. Bei RBVM werden Schwachstellen-Scans oft in Echtzeit und nicht nach einem wiederkehrenden Zeitplan durchgeführt. Außerdem können RBVM-Lösungen ein breiteres Spektrum an Assets überwachen: Während herkömmliche Schwachstellen-Scanner in der Regel auf bekannte Assets beschränkt sind, die direkt mit dem Netzwerk verbunden sind, können RBVM-Tools in der Regel lokale und entfernte mobile Geräte, Cloud-Assets, Drittanbieter-Apps und andere Ressourcen scannen.
Automatisierte Neubewertung. In einem RBVM-Prozess kann die Neubewertung durch kontinuierliche Schwachstellen-Scans automatisiert werden. Beim traditionellen Schwachstellenmanagement kann eine Neubewertung einen absichtlichen Netzwerkscan oder Penetrationstest erfordern.