La gestión de vulnerabilidades basada en riesgos (RBVM) es un enfoque relativamente nuevo para la gestión de vulnerabilidades. La RVBM combina datos de vulnerabilidad específicos de las partes interesadas con inteligencia artificial y capacidades de aprendizaje automático para mejorar la gestión de vulnerabilidades de tres maneras importantes.
Más contexto para una priorización más eficaz. Las soluciones tradicionales de gestión de vulnerabilidades determinan la criticidad mediante el uso de recursos estándar de la industria como CVSS o NIST NVD. Estos recursos se basan en generalidades que pueden determinar la criticidad promedio de una vulnerabilidad en todas las organizaciones. Pero carecen de datos de vulnerabilidad específicos de los stakeholders que pueden dar lugar a una peligrosa sobrepriorización o subpriorización de la criticidad de una vulnerabilidad para una empresa específica.
Por ejemplo, debido a que ningún equipo de seguridad tiene el tiempo o los recursos para abordar todas las vulnerabilidades en su red, muchos priorizan las vulnerabilidades con un puntaje de CVSS "alto" (7.0-8.9) o "crítico" (9.0-10.0). . Sin embargo, si existe una vulnerabilidad "crítica" en un activo que no almacena ni procesa información confidencial, o que no ofrece vías a segmentos de alto valor de la red, es posible que no valga la pena corregirla.
Las vulnerabilidades con puntajes de CVSS bajos pueden ser una amenaza mayor para algunas organizaciones que para otras. El error Heartbleed, descubierto en 2014, fue calificado como "medio" (5.0) en la escala CVSS. Aun así, los hackers lo utilizaron para llevar a cabo ataques a gran escala, como robar los datos de 4.5 millones de pacientes de una de las cadenas de hospitales más grandes de Estados Unidos.
RBVM complementa la puntuación con datos de vulnerabilidades específicos de los stakeholders (el número y la criticidad del activo afectado, cómo se conectan los activos con otros activos y el daño potencial que se podría causar al explotarlos), así como datos sobre cómo interactúan los delincuentes cibernéticos con las vulnerabilidades en el mundo real. Utiliza el machine learning para formular puntuaciones de riesgo que reflejen con mayor precisión el riesgo de cada vulnerabilidad para la organización específicamente. Esto permite a los equipos de seguridad de TI priorizar un número menor de vulnerabilidades críticas sin sacrificar la seguridad de la red.
Descubrimiento en tiempo real. En RBVM, los análisis de vulnerabilidades a menudo se realizan en tiempo real en lugar de hacerlo de forma recurrente. Además, las soluciones de RBVM pueden monitorear una gama más amplia de activos: mientras que las herramientas de análisis de vulnerabilidades tradicionales generalmente se limitan a activos conocidos conectados directamente a la red, las herramientas de RBVM generalmente pueden analizar dispositivos celulares locales y remotos, activos en la nube, aplicaciones de terceros y otros recursos.
Reevaluación automatizada. En un proceso de RBVM, la reevaluación se puede automatizar mediante un análisis continuo de vulnerabilidades. En la gestión tradicional de vulnerabilidades, la reevaluación puede requerir un análisis de red intencional o una prueba de penetración.