Manajemen kerentanan berbasis risiko (RBVM) adalah pendekatan yang relatif baru untuk manajemen kerentanan. RVBM menggabungkan data kerentanan khusus pemangku kepentingan dengan kecerdasan buatan dan kemampuan machine learning untuk meningkatkan manajemen kerentanan dalam tiga cara penting.
Lebih banyak konteks untuk penentuan prioritas yang lebih efektif. Solusi manajemen kerentanan tradisional menentukan tingkat keparahan dengan menggunakan sumber daya standar industri seperti CVSS atau NIST NVD. Sumber daya ini bergantung pada properti generik yang dapat menentukan tingkat keparahan rata-rata dari sebuah kerentanan di semua organisasi. Namun, mereka tidak memiliki data kerentanan khusus pemangku kepentingan yang dapat mengakibatkan penentuan prioritas tingkat keparahan suatu kerentanan yang terlalu tinggi atau terlalu rendah bagi perusahaan tertentu.
Misalnya, karena tidak ada tim keamanan yang memiliki waktu atau sumber daya untuk mengatasi setiap kerentanan dalam jaringannya, banyak yang menentukan tingkat keparahan kerentanan sebagai "tinggi" (7.0-8.9) atau "kritis" (9.0-10.0) dalam skor CVSS. Namun, jika kerentanan "kritis" ada dalam aset yang tidak menyimpan atau memproses informasi sensitif apa pun, atau tidak menawarkan jalur ke segmen jaringan yang bernilai tinggi, remediasi mungkin tidak sepadan.
Kerentanan dengan skor CVSS rendah dapat menjadi ancaman yang lebih besar bagi beberapa organisasi daripada yang lain. Bug Heartbleed, ditemukan pada tahun 2014, dinilai sebagai "sedang" (5.0) pada skala CVSS. Meski begitu, peretas menggunakannya untuk melakukan serangan skala besar, seperti mencuri data 4,5 juta pasien dari salah satu rantai rumah sakit terbesar di AS.
RBVM melengkapi penilaian dengan data kerentanan khusus pemangku kepentingan, jumlah dan tingkat keparahan aset yang terpengaruh, bagaimana aset tersebut terhubung dengan aset lainnya, dan potensi kerusakan yang dapat ditimbulkan oleh eksploitasi, serta data tentang bagaimana penjahat siber berinteraksi dengan kerentanan di dunia nyata. Sistem ini menggunakan machine learning untuk merumuskan skor risiko yang mencerminkan lebih akurat risiko setiap kerentanan terhadap organisasi secara spesifik. Hal ini memungkinkan tim keamanan TI untuk menentukan prioritas sejumlah kecil kerentanan penting tanpa mengorbankan keamanan jaringan.
Penemuan waktu nyata. Di RBVM, pemindaian kerentanan sering kali dilakukan secara real-time, bukan secara berkala. Selain itu, solusi RBVM dapat memantau rangkaian aset yang lebih luas: Meskipun pemindai kerentanan tradisional biasanya terbatas pada aset yang diketahui yang terhubung langsung ke jaringan, alat RBVM biasanya dapat memindai perangkat seluler on premises dan jarak jauh, aset cloud, aplikasi pihak ketiga, dan sumber daya lainnya.
Penilaian ulang otomatis. Dalam proses RBVM, penilaian ulang dapat diotomatiskan dengan pemindaian kerentanan berkelanjutan. Dalam manajemen kerentanan tradisional, penilaian ulang mungkin memerlukan pemindaian jaringan atau uji penetrasi yang disengaja.