La gestión de vulnerabilidades basada en riesgos (RBVM) es un enfoque relativamente nuevo para la gestión de vulnerabilidades. El RBVM combina datos de vulnerabilidad específicos de las partes interesadas con capacidades de inteligencia artificial y machine learning para mejorar la gestión de las vulnerabilidades de tres maneras importantes.
Más contexto para una priorización más efectiva. Las soluciones tradicionales de gestión de vulnerabilidades determinan la criticidad mediante el uso de recursos estándar de la industria, como el CVSS o el NVD de NIST. Estos recursos se basan en generalidades que pueden determinar la criticidad media de una vulnerabilidad en todas las organizaciones. Sin embargo, carecen de datos de vulnerabilidades específicos de las partes interesadas, lo que puede dar lugar a una peligrosa priorización excesiva o insuficiente de la criticidad de una vulnerabilidad para una empresa específica.
Por ejemplo, dado que ningún equipo de seguridad tiene el tiempo o los recursos para abordar todas las vulnerabilidades de su red, muchos priorizan las vulnerabilidades con una clasificación "alta" (7,0-8,9) o "crítica" (9,0-10,0). Puntuación CVSS. Sin embargo, si existe una vulnerabilidad "crítica" en un activo que no almacena ni procesa información confidencial o que no ofrece acceso a segmentos de gran valor de la red, puede que no valga la pena solucionarlo.
Las vulnerabilidades con puntuaciones CVSS bajas 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 podría causar un exploit), así como datos sobre cómo interactúan los ciberdelincuentes 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 la RBVM, los análisis de vulnerabilidades suelen realizarse en tiempo real y no de forma periódica. Además, las soluciones de RBVM pueden monitorizar una gama más amplia de activos: mientras que los escáneres de vulnerabilidades tradicionales suelen limitarse a los activos conocidos conectados directamente a la red, las herramientas de RBVM suelen escanear dispositivos móviles 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.