1. 项目概述从威胁建模的“单兵作战”到“联合作战”在网络安全领域威胁建模是一个老生常谈但又至关重要的基础性工作。传统的威胁建模方法无论是微软的STRIDE、OWASP的威胁建模指南还是攻击树Attack Trees大多遵循一种“中心化”或“线性”的分析思路。我们习惯于识别一个核心资产然后围绕它像画思维导图一样罗列出所有可能的攻击路径、威胁代理Threat Agent和漏洞。这种方法在分析一个独立的Web应用、一个数据库或者一个网络边界时往往行之有效。但当我面对一个由数十个微服务、多个第三方API、云原生组件以及物理访问控制点构成的复杂混合系统时我常常感到力不从心。传统的工具就像在用一个放大镜观察局部而我们需要的是一个能俯瞰整个战场的沙盘。这正是“Multi-Agent Influence Diagrams to Hybrid Threat Modeling”这个项目试图解决的问题。它不是一个全新的工具而是一种思维框架和方法论的融合。简单来说它试图将多智能体影响图Multi-Agent Influence Diagrams, MAIDs的形式化建模能力引入到混合威胁建模Hybrid Threat Modeling的实践中。MAIDs源自决策理论和博弈论擅长描述多个决策者智能体在不确定环境下的互动、决策以及这些决策如何相互影响并最终导致某些结果。而混合威胁建模则强调对融合了IT信息技术、OT运营技术、IoT物联网乃至物理安全元素的复杂系统进行一体化安全分析。这个项目的核心价值在于它提供了一种语言和结构让我们能够超越简单的“攻击者-防御者”二元对立模型去刻画一个真实攻击场景中可能存在的多个利益相关方如外部黑客、内部恶意员工、供应链攻击者、甚至是非恶意的配置失误操作员之间的动态博弈。同时它能将这种博弈关系映射到由云、端、管、边、物构成的混合系统架构上从而揭示出那些在单点分析中极易被忽略的、跨域、跨层的系统性风险链。接下来我将详细拆解这套方法的构建思路、核心组件以及如何在实际项目中落地。2. 核心概念拆解MAID与混合威胁建模为何能珠联璧合在深入实操之前我们必须先吃透两个核心概念多智能体影响图MAID和混合威胁建模。只有理解了它们各自的能力与局限才能明白其结合的必要性。2.1 多智能体影响图为威胁场景引入“博弈论视角”多智能体影响图是影响图Influence Diagram在多智能体环境下的扩展。一个标准的影响图包含三种节点决策节点矩形表示可控的选择、机会节点椭圆表示不确定的事件或状态、价值节点菱形表示效用或结果。节点之间的有向箭头表示影响关系。MAID在此基础上为每个决策节点明确归属一个特定的智能体。在威胁建模的语境下这种形式化立刻变得极具威力智能体不再只是一个笼统的“攻击者”。我们可以定义多个智能体例如外部攻击者、内部开发人员、系统管理员、合规审计员甚至自动化安全响应系统。每个智能体都有自己的目标、知识集和可采取的行动集。决策节点代表智能体的策略选择。例如外部攻击者的决策可能是 [钓鱼邮件,漏洞扫描,供应链投毒]系统管理员的决策可能是 [及时打补丁,延迟打补丁,忽略告警]。机会节点代表系统的不确定性。例如某个0day漏洞是否被公开、员工点击钓鱼链接的概率、云存储桶的默认配置是否为公开。这些节点通常用概率分布来描述。价值节点代表各智能体的收益或损失。攻击者的价值节点可能是获取核心数据防御方可能是公司实体的价值节点可能是系统可用性和数据机密性而管理员个人的价值节点可能还包括工作便利性。为什么这比攻击树更高级攻击树描绘的是攻击者达成单一目标的多种路径它是一个“单人游戏”。而MAID刻画的是“多人游戏”它承认防御方及其内部的不同角色也在持续做出决策这些决策会影响攻击者的策略反之亦然。例如公司加强安全意识培训防御方决策会降低员工点击钓鱼链接的概率机会节点从而迫使攻击者转向成本更高的漏洞利用攻击者决策。2.2 混合威胁建模打破IT/OT/物理安全的壁垒混合威胁建模承认现代系统不再是纯数字的孤岛。一个智能制造工厂的威胁模型必须同时考虑IT层ERP、MES系统以及承载它们的云服务器和公司网络。OT层PLC可编程逻辑控制器、SCADA数据采集与监控系统、工业交换机这些设备通常协议老旧、难以打补丁。IoT层环境传感器、智能摄像头、AGV自动导引车它们数量庞大安全能力薄弱。物理层设备机房的门禁、USB接口的物理封条、参观人员的动线。传统方法分别对这几层建模然后简单拼接极易遗漏跨层攻击链。例如攻击者可能先通过一个钓鱼邮件IT层入侵了工程师的电脑然后利用该电脑对OT网络进行扫描和攻击IT-OT最终通过篡改PLC参数造成物理设备损坏OT-物理。混合威胁建模要求我们绘制一张统一的架构图明确标出所有组件及其连接关系包括网络协议和物理接口并在此基础上分析威胁。2.3 两者的融合MAID for Hybrid Threat Modeling将MAID应用于混合威胁建模本质上是为混合系统的复杂交互关系建立了一个形式化的、可推理的模型。智能体映射到混合架构不同的智能体可能活跃于不同的层。外部攻击者可能主要作用于IT层入口而内部恶意操作员则可能同时具有OT层和物理层的访问权限。决策与机会节点锚定于具体组件决策节点“利用某云函数漏洞”必须关联到架构图中的具体云函数组件机会节点“PLC固件版本存在漏洞”关联到具体的PLC型号和版本。这使得抽象的逻辑推理能落地到具体的资产。影响箭头穿越层级边界MAID中的箭头可以直观地表示跨层影响。例如一个IT层数据库被攻破机会节点可能导致OT层生产配方被窃取价值节点一个物理层USB接口被违规使用决策节点可能直接向OT层设备植入恶意软件机会节点。这种融合带来的最大好处是系统性风险发现。通过计算MAID中不同决策组合下的预期效用可以简单理解为风险值我们可以模拟出“在现有防御措施下哪个智能体最有动机采取何种攻击路径”以及“加强哪个环节的防护改变某个决策节点的概率或选项能最有效地降低整体风险”。这为安全投入的优先级决策提供了量化的依据。3. 实操框架四步构建属于你的MAID混合威胁模型理论讲得再多不如亲手做一遍。下面我结合一个简化版的“智能楼宇系统”案例拆解构建MAID混合威胁模型的四个核心步骤。这个系统包括云管理平台IT、楼宇控制服务器IT/OT边界、暖通空调控制器OT、门禁读卡器IoT/物理。3.1 第一步定义系统边界与智能体这是所有分析的基石必须尽可能清晰。绘制混合架构图使用Draw.io或Miro等工具画出系统的所有关键组件并按IT、OT、IoT、物理进行颜色或区域划分。务必标明所有通信链路如云平台-服务器 via HTTPS 服务器-控制器 via Modbus TCP 控制器-读卡器 via RS-485。注意这一步不要陷入过度细节聚焦在安全边界和关键数据流上。一个常见的错误是画成了详细的部署图反而干扰了威胁分析。识别并定义智能体基于业务场景列出所有能影响系统安全的角色。每个智能体需要明确名称如外部黑客、物业维护人员、系统集成商、自动化漏洞扫描器。目标外部黑客的目标可能是“造成系统停摆”或“窃取人员出入数据”物业维护人员的目标可能是“快速完成维修减少工单”。能力与权限外部黑客初始权限为无但具备网络攻击技能物业维护人员拥有OT网络区域物理访问权和默认账号密码。知识水平他们对系统架构、漏洞、防御措施的了解程度。在我们的案例中我们定义三个智能体外部攻击者无初始权限高技术水平、懒惰管理员拥有ITOT系统管理账号但安全意识一般追求操作简便、物理入侵者无数字权限可尝试物理接触设备。3.2 第二步构建基础MAID模型框架在这一步我们暂时抛开具体的混合架构先构建一个逻辑上的MAID模型。确定核心价值节点从业务角度出发定义什么是最需要保护的。通常包括业务连续性、数据机密性、人员安全、合规性。将这些设为价值节点。列举关键决策节点并分配智能体头脑风暴各智能体可能做出的、对安全有影响的决策。外部攻击者的决策节点初始入侵向量选择[钓鱼邮件, 攻击云API, 扫描楼宇网络]。懒惰管理员的决策节点密码策略强度[强密码双因素, 弱密码, 默认密码]、日志审查频率[每日, 每周, 从不]。物理入侵者的决策节点尝试物理接触的目标[服务器机房, 弱电井, 前台读卡器]。识别机会节点这些是不确定性事件通常受到决策节点的影响。钓鱼邮件是否成功受管理员安全意识隐含受其决策影响和邮件网关防御影响。云API是否存在未授权访问漏洞受开发安全流程和配置影响。默认密码是否已被修改直接受懒惰管理员的密码策略强度决策影响。机房门禁是否有效受物理安全策略影响。绘制影响关系用箭头连接节点。这是最核心的一步需要仔细推敲。例如外部攻击者的初始入侵向量选择-钓鱼邮件是否成功机会节点。懒惰管理员的密码策略强度-默认密码是否已被修改机会节点。钓鱼邮件是否成功-外部攻击者获取IT层权限机会节点。外部攻击者获取IT层权限和默认密码是否已被修改-攻击者能否横向移动到OT网络机会节点。攻击者能否横向移动到OT网络-业务连续性价值节点。此时你得到的是一个略显抽象但逻辑关系清晰的MAID图。它揭示了不同角色决策如何通过一系列不确定性最终影响安全结果。3.3 第三步将MAID模型锚定到混合架构这一步是将逻辑模型“灌注”到物理/数字世界的关键。组件映射将MAID中的每一个机会节点和决策节点关联到第一步绘制的混合架构图的具体组件上。节点云API是否存在未授权访问漏洞- 关联到“云管理平台”的“API网关”组件。节点攻击者能否横向移动到OT网络- 关联到“楼宇控制服务器”这个组件因为它是IT/OT边界。节点尝试物理接触的目标- 关联到架构图中的“服务器机房”、“弱电井”等物理位置。路径显性化在混合架构图上用高亮线条标出MAID中揭示的关键攻击路径。例如如果MAID显示“通过默认密码横向移动”是高风险路径那么在架构图上就从“楼宇控制服务器”到“暖通空调控制器”的Modbus TCP连接线高亮显示。丰富机会节点的概率通过与架构组件关联我们可以更准确地评估机会节点的概率。例如查询“暖通空调控制器”的型号发现其已知存在默认密码漏洞那么节点默认密码是否已被修改为“否”的概率如果管理员决策是“弱密码”这个概率就会很高。我们可以为其赋予一个初始概率值如0.8。3.4 第四步分析、推演与加固建议模型建好不是终点用它来指导行动才是。定性分析沿着MAID图中的箭头进行推演就能快速讲出一个生动的攻击故事。“如果管理员选择了弱密码决策那么默认密码很可能未被修改机会节点高概率这使得外部攻击者一旦通过钓鱼邮件获得IT权限后可以轻松横向移动机会节点最终导致暖通空调系统被篡改影响业务连续性价值节点。” 这种故事线非常适合向非技术人员如管理层解释风险。半定量分析我们可以对概率和影响进行粗略赋值。例如为每个机会节点的不同状态赋予一个概率估计高、中、低为价值节点的不同结果赋予一个影响等级严重、高、中、低。然后通过向前传播从决策到结果估算整体风险等级。虽然不如完全定量精确但足以比较不同风险路径的优先级。寻找关键干预点MAID模型能清晰地指出改变哪个智能体的哪个决策能最大程度地切断高风险路径。在上例中模型强烈指出针对懒惰管理员的密码策略强度决策进行干预强制强密码双因素能极大地降低默认密码未修改的概率从而有效防御一整类攻击。这比泛泛地“加强安全教育”要具体得多。生成针对性安全需求基于关键干预点导出具体的安全控制措施。例如需求1所有OT设备首次上线必须强制修改默认密码并由系统自动检查。需求2IT/OT边界防火墙楼宇控制服务器需部署应用层网关对Modbus协议进行指令白名单过滤。需求3机房物理门禁日志需与IT安全事件信息管理平台集成实现异常访问联动告警。4. 实战心得与避坑指南将MAID用于混合威胁建模听起来很美好但在实际项目中落地我踩过不少坑也积累了一些心得。4.1 模型复杂度的控制在精确与可行间找平衡最初尝试时我总想面面俱到结果模型变得极其庞大智能体多达七八个节点上百个完全无法分析和维护。我的经验法则是聚焦于“高风险交互”。智能体数量通常3-5个核心智能体足矣。例如将“内部员工”细分为“恶意内部人”和“疏忽内部人”有时是必要的但不必区分“开发人员”和“测试人员”除非他们的权限和攻击面有本质不同。决策节点粒度一个智能体的决策选项最好控制在3-5个。外部攻击者的决策不必从“端口扫描”细化到“使用Nmap的-sS还是-sT参数”概括为“网络侦察”即可。迭代建模不要企图一次建成完美模型。先构建一个只包含最核心智能体和高价值资产的简化模型V1.0进行分析并得出初步结论。然后根据分析中暴露的模糊点再有针对性地扩展模型V1.1。这符合敏捷威胁建模的思想。4.2 概率数据的获取没有数据怎么办MAID的定量分析优势依赖于概率数据但现实中我们很难精确知道“钓鱼邮件成功率”是多少。这里有几种务实策略使用分级估计放弃具体数字采用“极低(10%)、低(10-30%)、中(30-70%)、高(70-90%)、极高(90%)”五级制。这基于团队的经验共识虽然粗糙但能区分风险大小。利用威胁情报参考行业报告、漏洞数据库。例如如果目标系统使用了某个已知存在远程代码执行漏洞的组件且漏洞利用代码已公开那么“利用该漏洞”机会节点的成功率可以定为“高”。进行敏感性分析这是更高级但更有价值的用法。即测试当某个概率值在一定范围内变化时最终的风险结论是否改变。例如假设“钓鱼邮件成功率”在20%到60%之间波动我们关心的“数据泄露”风险等级是否始终是“高”如果是那么说明这个风险是稳健的我们必须处置如果只有超过50%才高风险那么我们可以将缓解措施聚焦在将成功率降低到50%以下。4.3 与现有流程的整合不要另起炉灶引入MAID不是为了取代STRIDE或攻击树而是为了增强它们。与STRIDE结合在识别出混合架构中的组件和数据流后仍然可以使用STRIDE对每个元素进行威胁识别。然后将这些识别出的具体威胁如“云存储桶可能被错误配置导致数据泄露”作为MAID模型中的“机会节点”输入进去。STRIDE帮你找到了“有哪些坏事情可能发生”MAID则帮你分析“这些坏事情在多方博弈下最可能以何种方式串联发生”。与现有风险管理框架整合MAID分析输出的“关键干预点”和“风险路径优先级”可以直接转化为传统风险登记册中的“风险项”、“可能性”、“影响”和“处置建议”无缝对接现有的GRC治理、风险与合规流程。4.4 工具选择白板起步工具辅助初期完全不需要复杂工具。一个物理白板、一包便利贴不同颜色代表不同类型节点和一支笔就足以开展团队头脑风暴构建第一个模型。这有助于所有人理解概念。当模型需要固化、分享和进行简单推演时可以考虑以下工具绘图工具Draw.io、Miro、Lucidchart。它们有基本的图形库适合绘制混合架构图和叠加MAID元素。专业影响图工具如GeNIe Modeler、Hugin。这些是专业的贝叶斯网络和影响图建模工具支持概率计算和敏感性分析但学习曲线较陡适合进行深入定量分析阶段使用。自定义脚本对于复杂的、需要反复迭代的模型我有时会用Python的pgmpy库来构建和推理贝叶斯网络MAID的一种基础。这给了最大的灵活性但要求一定的编程能力。最大的陷阱是陷入对模型完美性的追求而忘记了威胁建模的最终目的是为了指导安全决策和投入。模型只要足够好能揭示出之前未发现的、重要的系统性风险并促成有效的缓解措施它就是成功的。它不必也不可能100%精确地预测未来。 新乡本地动态 ← 返回资讯列表
