通用漏洞評估方法CVSS3 0 TMAC嚴敏的部落格

2022-09-23 06:39:08 字數 1822 閱讀 6069

cvss,全稱common vulnerability scoring system,即「通用漏洞評分系統」,是乙個「行業公開標準,其被設計用來評測漏洞的嚴重程度,並幫助確定所需反應的緊急度和重要度」??。

cvss是安全內容自動化協議(scap)??的一部分,通常cvss同cve一同由美國國家漏洞庫(nvd)發布並保持資料的更新。

cvss3.0由三個基本尺度組成,

基本(base):代表著漏洞的原始屬性,不受時間與環境的影響,又由exploitability可執行性與影響程度impact?度量。

時間(temporal):反應漏洞隨著時間推移的影響而不受環境影響,舉個簡單的例子,隨著乙個漏洞軟體的補丁不斷增加,該漏洞的cvss分數會隨之減少。

環境(environmental):代表特定環境下執行漏洞的分數,允許根據相應業務需求提高或者降低該分值。

base分值由專業的分析人員給出,分數在0.0-10.0之間,可以在美國國家漏洞資料庫官網上搜到相應cve漏洞的分值

***向量(**)

網路(n)/鄰居(a)/本地(l)/物理(p)

0.85 / ? 0.62 / 0.55 / 0.2

***複雜度(ac)

低(l)/高(h)

0.77 / ? 0.44

許可權要求(pr)

無(n)/低(l)/高(h)

0.85 / 0.62(0.68) / ? 0.27(0.50)

使用者互動(ui)

不需要(n)/需要(r)

0.85 / ? 0.62

影響範圍(ui)

不改變(u)/改變(c)

根據impact sub ? score和isc取值

機密性(c)

無(n)/低(l)/高(h)

0 / 0.22 ? /?0.56

完整性(i)

無(n)/低(l)/高(h)

0 / 0.22 ? /?0.56

可用性(a)

無(n)/低(l)/高(h)

0 / 0.22 ? /?0.56

利用**的成熟度(e)

未驗證(u)/poc(p)/exp(f)/自動化利用(h)

0.91 / 0.94 / 0.97 / 1

修復方案(rl)

正式補丁(o)/臨時補丁(t)/緩解措施(w)/不可用(u)

0.95 / ? 0.96 / 0.97 / 1

**可信度(rc)

未知(u)/未完全確認(r)/已確認(c)

0.92 / 0.96 / 1

環境分數(可選)

機密性要求(cr)

未定義(x) 低(l) 中(m) 高(h)

完整性要求(ir)

未定義(x) 低(l) 中(m) 高(h)

可用性要求(ar)

未定義(x) 低(l) 中(m) 高(h)

修改基礎度量指標

(modified ? base metrics)

modified attack vector (m**) ? modified attack complexity (mac) ? modified privileges required (mpr) ? modified user interaction (mui) ? modified scope (ms) ? modified confidentiality (mc) ? modified integrity (mi) ? modified **ailability (ma)

詳細資訊可檢視cvss 3.0 官網:

舉例:某主機的漏掃結果如下:

?以上可以通過cvss的值來檢視漏洞的風險等級。

以上可以通過cvss的值來檢視漏洞的風險等級。

如何正確對待通用安全漏洞評分系統 CVSS

對任何處理軟體漏洞的人而言,cve和cvss通常是尋找細節過程中的第一步,通過這兩步,人們可以發現有關漏洞的全部細節。通用漏洞評分系統 cvss 誕生於2007年,是用於評估系統安全漏洞嚴重程度的乙個行業公開標準。cvss現在已經進入第二個版本,第三版正在開發中。它的主要目的是幫助人們建立衡量漏洞嚴...

10 軟體通用漏洞利用

例項1 gitstack通用漏洞利用 gitstack是一款windows上設定自己的專用git伺服器的軟體。利用它可以建立乙個前沿版本控制系統,無需任何git知識。開發用的 gitstack也使得安全並保持伺服器更新變得非常簡單。gitstack構建在真正git for windows的頂部,並且...

模型評估方法

有些自己熱愛卻因為被迫無奈而放棄的東西,慢慢記錄吧。以後想起,我還會知道自己學過這些。機器學習 周志華著的這本書是乙個很好的學習資料,其實我更喜歡這本書的樣子,漂亮而且有種童話故事的感覺。一 經驗誤差與過擬合 1.無論什麼時候,我們都希望得到乙個泛化誤差 在新樣本上的誤差 小的學習器。但有時候會出現...