《信息安全风险的量化》报告解读，有深度、有内涵

来自雾帜智能K2实验室的汪浩博士在XCon上做了《信息安全风险的量化》的报告后，后台收到不少PPT的下载请求。但PPT内容精简，本文是对报告的深入解读。阅读本文大概需要15分钟。

报告的主要内容包括：

1.一种描述安全风险、衡量安全绩效的方式（用钱衡量安全工作）

2.一种处理复杂、不确定问题的计算流程（明确概念；分类分解；数据+专家经验挖掘；数值模拟）

两个问题

· 要做的工作很多，优先级怎么定？

· 我的工作对公司/组织的贡献有多大？

不管你当前是技术骨干，还是管理精英，一定在某个时刻考虑过以上两个问题。不妨想一下你的答案会是什么。

汪浩采访了几位安全领域专家，汇总之后的结论如下：

优先级，可以有以下几个考虑方向：个人经验和积累；看行业最佳实践；找业务了解安全需求；非常重要的合规等等。

贡献则可以从这么几个点来描述：合规没有问题，安全事故减少了，外部发现的漏洞减少了多少，安全能力增加了多少，覆盖了多少风险场景等等。

这说明当前的规划和汇报策略是可行的。那为什么还要讨论别的方式呢？

用钱衡量安全工作

接受采访的几位专家同时提到，安全的上级主管，比如 CEO，是认可甚至鼓励现有的规划方式的：就是通过看齐行业最佳实践、满足合规要求等确定优先级；他们也接受现有的安全成绩的汇报方式。安全预算申请时，被以投资回报率（ROI）这种量化指标来挑战这种事，基本不会发生。这说明当前的规划和汇报策略是可行的。

那为什么还要讨论新的方式呢？因为用钱讨论问题，在易于理解这一点上，有不言自明的优势：其他团队能理解，领导也能看懂。此外，就像我们将要看到的，以钱量化安全成绩，有望解决安全工作“做不好会减分，做好不加分”，这个我们一直认为是安全职业属性的难题。

但很可能你也曾或多或少琢磨过，甚至是亲身实践过化安全风险的量化。事实上，学界相关的研究一直就没有断过——攻击图(attack graph)有至少20年的历史；新一些的如贝叶斯攻击图、博弈论讨论内鬼作案可能性等等，不可谓不先进。但似乎并没听说过基于这些技术的风险量化方案落地案例。为什么？

业务部门用钱描述成绩，是因为它的KPI是实际发生的，简单汇总即可，用到的技术主要有：加、减、乘——可能都用不到除法！但安全面对的是不确定性，是不断变化的攻击面，这些简单工具显然不够用。但太复杂而玄妙的，做出来可能自己也难以相信，也就很难持续。

概括来说，把安全风险和成绩换成钱，有以下三个困难：

1. 不确定：会不会被攻击？攻击会不会成功？攻击成功会不会造成实际损失？

2. 太复杂：最典型的——数据泄露被媒体报道，声誉损失要怎么算？

3. 数据少：重大事件原本就少，被攻击的公司又通常不会公开

他山之石

要想把安全风险就换成钱，而且让别人认可，我们必须能够克服以上这三个困难。逐个看下来，我们会发现在其他领域已经有成熟的，或者行之有效的解决方案了：

1. 用概率工具和风险管理语言，解决不确定性困难。金融行业，比如保险，会面对很多不确定的问题。像地震、奥运会举办延期，都非常罕见。但客户出险，保险公司作出赔偿，不会因此就认为精算师工作做的不好。因为风险经过了量化，这样的结果在预测之内。企业风险治理是另一个处理不确定的领域。在这类包含不确定性的领域，人们使用概率、数值模拟来描述这些不确定性。除了钱之外，CEO们也精通企业风险治理（ERM），这意味着用类似的语言跟他们沟通，效果更有保障。

2. 分类分解，解决复杂性困难。这方面，像麦肯锡这类咨询公司比较有经验。把问题或者主题，按照统一的方式，分解成几个小问题。每个小问题比较容易解决。金字塔原则，零秒思考之类名词，都是在讲怎样高效率地把复杂、没有头绪的事情系统地拆解为可解决的问题。

3. 提取专家经验，解决数据少的困难。把领域专家经验作为数值给挖掘、提取出来，可能是质量很高的数据。人们平时很少用数字去思考，但能安全的在马路上穿行，说明了大脑中各种信息的有效性。这涉及认知科学，得从相关文献里找工具。但也有咨询公司做过不少尝试，效果可能超出你我预期。

如果你碰巧对以上几个方面都有研究，可以尝试把它们组合起来，应用到安全领域，设计一个安全风险量化方案出来。但现在有一个现成的——已经有人组合了这么一套框架出来，对自己搭框架也会有借鉴意义。

FAIR

这个框架叫做“信息风险因子分析（Factor Analysis of Information Risk）”，简称 FAIR。

目前在美国，FAIR可能是应用最广的信息安全风险量化框架：

• FAIR学院的成员遍布Netflix，惠普等超过45% 的美国财富1000企业；
• NASA、美国能源部等政府部门使用FAIR量化风险；
• IBM 有一个知名的年度数据泄露损失报告（“Cost of a Data Breach Report”），2021年版使用FAIR来量化数据泄露的损失；
• NIST 2021年报告《将安全与企业风险管理整合》（“Integrating Cybersecurity and Enterprise Risk Management”）建议以FAIR作为量化安全风险的手段；
• FAIR被The Open Group收录，是目前安全风险量化唯一的国际标准（Open FAIR）。

Figure 1 IBM数据泄露报告2021以FAIR量化风险

可以看到，FAIR至少是在部分组织里被接受、并实际使用的。虽然FAIR执行起来需要费些脑筋，但能够被众多公司和机构接受，来替代简单易行的最佳实践、风险矩阵，应该是因为FAIR做了某些虽然麻烦、但是正确的事情。

• 案例：一个有问题的分析

勒索攻击最近两年已经成为最受关注的信息安全威胁。一个电商公司想要知道自己遭受勒索攻击的风险。

先看一下一个过于简单的量化是怎么做的：

1. 提出问题：公司被勒索攻击的风险？

2. 风险分析：安全专家判断：损失频率 0.01-0.1次/年，最可能是0.01次/年；经过内部讨论，认为损失大小100万-1000万，最可能是在200万上下

3. 汇报结果：1万-100万/年，最可能是20万。

从问题到求解，因为在如下几个细节处没有合理进行处理，使得它实际上没法用。

问题模糊——

今天要想执行一次成功的勒索攻击可能是要费些功夫的，如果目标有备份，那么连同备份服务器一起加密才能勒索成功。根据自己公司的情况，对手是小黑客，还是有组织的、用到了“勒索即服务”(RaaS)的团伙？两者造成的损失发生率不同，单次损失差别可能也比较大。混在一起分析，不会有可信的结果。所以，把一个受关注的风险，拆分成几个明确的场景是关键的第一步。比方说，简单分析之后，结合自己公司的实际，你发现小黑客的风险可以忽略，把这个结论记下来；然后进一步把勒索团伙作案的勒索攻击方法，拆分为“通过钓鱼邮件入侵内网”，“通过远程桌面暴力破解管理员密码入侵内网”两种场景；这两种的发生频率可能不同，但单次造成的损失应该是一样的。

问题模糊是困难2（太复杂）里的一个（人为造成的）原因，FAIR这个框架的第一步是明确场景，降低复杂度。

数值由来不清楚——

这个量化方案中，把损失拆解为损失频率和发生次数，这是没问题的。但损失频率是怎么定出来的？单次损失大小是怎么定出来的？有什么道理吗？要想对一类事件发生之后涉及的损失大小有全面了解，需要多个部门的信息。安全部自己定的损失，很难经得住推敲。

FAIR对这个问题的解决方法是因子分解和引入领域专家。因素分解体现为如下一棵树形数据结构。我们大概描述一下，风险=损失发生率*单次损失大小——这个很自然吧？如果损失发生频率不好估计，可以进一步拆分为威胁发生率和脆弱程度，如此细分下去——图里的每一个节点的定义，都是FAIR这个框架的一部分。但在计算一个风险时，我们通常只会到第二、三层（威胁发生率*脆弱程度）。以笔者的理解，层数越少越好，如果能直接估计损失发生率，就不要继续拆分——因为越向下细分，离真实、可验证的数据越远。

Figure 2 FAIR因素分解示意图

对于用到的节点，如果数据充分，我们可以直接用，这是理想状态。但前面提到的困难3（数据少），仅有的还可能不准确。比如勒索，同行业有很多公司，但实际中了勒索可能很少；选择公开的会更少。这时候专家经验就会发挥作用，但需要把准确的信息提取出来。

另外，上述提到损失会有多种。在对已知事件的归纳总结基础上，FAIR把损失类型分为六种，从而任何事件，按照这六种逐个分析就可以。

(1) 生产力：典型的像可用性受到破坏，业务中断或降级，都会影响营收

(2) 响应：发生安全事件，安全团队，业务、HR、客服、公关部门都可能要出人手应对。在此期间，这些人无法进行日常工作，构成响应费用

(3) 替换：员工因恶意泄露信息被开除，需要新招聘员工

(4) 竞争优势：核心数据泄露，并购信息泄露等，造成竞争中的被动

(5) 法律处罚：比如数据泄露被罚款

(6) 声誉：股价下跌；融资成本上升；员工留存或招聘的成本上升等

现在你只需要相信，任何损失都可以不重也不漏地分解为这六种形式就好了。换句话说，按照这六个方向思考，可以把可能出现的损失都算进来。

把损失分解开之后，就可以进行数据采集了。如果有公司自身的历史数据最好，否则就需要借助专家经验，这是为什么需要安全同HR、法务、业务各领域专家充分沟通。比如HR专家几乎一定听说甚至参与过员工违规事件的处理，对这方面的损失有更合理的预期。FAIR将专家估计等同于数据，因此如何将专家的估计提取为数字显得至关重要，稍后我们会详细介绍方法。

总结一下，这里涉及的困难是损失分析起来涉及方面太多（困难2：太复杂），以及数据太少（困难3：数据少），而FAIR的对策是因素分解，以及引入相关领域专家。另外需要注意关键一点，在每一个估计结果处做好记录，即为什么这么估计？比如，为什么忽略小黑客们勒索的威胁？

这样，因为有明确的场景，每个分解都对应着确切的概念，数据采集过程有详细记录，同时估计结果由利益相关方的专家给出，结果就能经得住挑战和复盘。

然后我们继续分析前述过于简单量化方案中的第三个问题。

Figure 3 一个过于简单、问题多多的量化流程

结果汇总——

这里并没有明显的问题。实际计算中，因为每个场景对应多类可能损失，各损失对应的风险值也都以一定的形式弥散在某个范围内（即表现为随机变量）。将随机变量整合起来，没有简单的解析办法。

Figure 4 FAIR的量化流程

FAIR使用数值模拟来进行结果汇总。这是一个在金融和科研中常用的手段，也应该是惟一的办法。除了能够解决多个风险相加的问题，它得到的是一个完整的风险分布，基于它可以很方便地得到以不同方式呈现的风险。比如损失曲线(loss exceedance curve；图5)；风险矩阵（图6），甚至是散点图（图7）等。这一步有开源工具可以直接使用（比如pyfair，或者FAIR institute的FAIR-U工具），只需要输入各个范围，就可以自动算出风险，甚至自动生成风险报告。

Figure 5 损失曲线

Figure 6 风险矩阵

Figure 7 模拟结果（散点图）

以上通过一个反面案例，把FAIR的流程梳理了一遍。虽然看似复杂，但当分析的风险增多，你会发现有很多数据可以复用。客服的人时费用、工程师开会的人时费用、替换工程师的损失等数据，短时间内可以认为是常数；一次获取后，可以用在很多有场景内。另外，每个场景的FAIR风险分析，半年或者一年做一次就可以。

专家知识的挖掘

报告把FAIR流程中的一个重要但人们接受起来有困难的问题，单独做了讲解。

前面提到，提取专家知识，是为了解决量化困难3（数据少）。FAIR在计算中将专家估计与数据同等对待【1】。也因此专家估计的准确性，决定了最后结果的准确性；如果专家估计不可信，那么前面这一切从一开始就不用做了。

坏消息，是我们的主观估计通常来说是不准的。好消息，是它可以被“校准”。为此，报告中设计了一个互动环节，结果堪称完美：参与答题的观众中，100%改进了估计准确度；其中更有超过40%可以认为校准至准确——通常人的估计能力是需要经过多轮校准才能达到准确的。读者不妨也试一下。

• 第一次估计

写出以下问题的答案。它们并不容易；但不知道准确答案没关系，只需要给一个范围即可。要求是你有90%的把握，正确答案在你给的范围里。这些问题乍看起来和安全没关系，反倒像是个无聊游戏。但只要花几分钟试一下，你会发现这种能力是可以应用到包括安全在内的所有认知领域的。现在开始。

1. 天安门城楼最高处有多高？

2. 北京到上海的空中距离？

3. 朱自清先生《背影》的写作时间？

4. 第五套人民币100块钱的长边长度？

5. 第五套人民币100块钱的短边长度？

6. XCON会场（昆泰酒店）的经度是多少？

7. XCON会场（昆泰酒店）的纬度是多少？

8. 中国有多少地级市（直辖市区+地级市）？

9. 乒乓球台有多宽？

10. 诸葛亮哪一年去世？

强调一下，只要你有90%的把握，正确答案在你给的范围里就好，比方说10m-20m。这里面可能有的问题你不清楚，甚至感觉完全没概念。不要担心。我们练习的目标之一，正是从“没概念、不知道”，到能够给出答案，并且是准确的答案。为了见证这个变化，对每一个问题，你务必要给一个范围，不确定的话，范围可以取大一些。最关键的是有勇气，不放弃！

Figure 8 一个90%中奖率的转盘抽奖

• 校准及第二次估计

现在我们一起对大脑的“估计系统”进行一次校准。有耐心读到这里各位读者，一定都是业界精英，对玄学和忽悠也会比较敏感。但你要相信，接下来的内容有理论依据，且经过了实践的验证。请暂时忽略头脑中嘀嘀作响的告警信号。

首先，刚才题意是说，你有90% 把握，正确答案落在你给出的范围以内。这意味着，对于每一道题有90% 的可能性你答对了。现在我们给答题加上一个赢钱的设定（当然只是假设）如果你答对了这道题（即正确答案的确在你给的范围内），就会赢一万块钱。因此对于每一道题，你应该有90%的概率赢1万块钱，否则就没钱。

Ok，没有问题的话，先把这个游戏放一边。

来想象另一个游戏，转盘抽奖。这是一个饼状图，小的这个部分（蓝色部分）占10%，其余的占90%，注意，这里的刻度是准确的。12点位置有一个固定的指针。主持人拨一下转盘让它转起来，如果指针最终指向绿色区域，就是大的区域，你就会赢得1万块钱，如果指针停在这块小的蓝色区域，就没有钱。那么你赢的概率有多大？

——这不是脑筋急转弯，概率也是90%。

现在，对于每一个问题，请你在“回答问题赢奖金”和“转盘抽奖”之间选择一个游戏。两个游戏的赢钱概率理论上都是90%，你会选择玩哪个？

如果是更倾向于玩转盘游戏，那意味着你现在认为，自己所给的范围并没有90%的正确把握，就请调整下你的答案范围。直到你觉得这俩游戏的胜率差不多，随便选哪个玩都行。然后写在第二列。如果更倾向于玩第一个游戏，也是一样；你的大脑认为，自己所给的范围太大了，那就缩小一下范围。直到你觉得玩哪个游戏都一样。

在公众号留言“答案”即可获取十个问题的正确答案。然后统计下两次估计的结果。你分别答对了几道题？也可以在文后留言告诉我们。

• 对原理的讨论

我们完全没有概念的东西可能非常少。至少比我们所认为的少——我们只是从来没有用明确的数字去描述一个东西，但相关信息大脑已经编码好。要提取这个编码，我们需要用到一些认知科学的结论。人类的大脑有如下两个特点（“缺陷”）：

(1) 过度自信。所以才会发生“大多数司机认为自己驾驶水平高于中间水平”的事情（但也有人过度不自信）；

(2) 损失厌恶。一个“可能赢100，也可能亏100”的游戏，大部分人不会去玩。因为虽然平均来看不赢不输，但损失100块钱的痛苦大于赢得100块钱的快乐，即情绪的平均值是负的；

第一次答案，我们给的范围往往偏小；这其中部分原因是过度自信。另一个原因，则是我们更习惯给一个确切的数，即不自觉地追求“精确” (accurate)。但对于决策，准确（precise）很重要——你可以给一个对但模糊的范围，这样结果可能也会模糊，但最多也就是对决策用处不大而已；但给一个精确到小数点后三位的错误数值，一定会误导决策。我们需要有意识地在精确和准确之间做平衡。

第二次答案中，我们加入了赢钱设定。虽然我们知道是假设，但大脑的损失厌恶能力已经激活。即便不用转盘做辅助，准确率也会提高——我们得以用大脑的一个缺陷去对抗另一个缺陷，完成对大脑中信息的准确提取。最后，转盘图像可以调动视觉功能来纠正大脑对90%认知的可能的偏差。

参考资料：

1. Hubbard, D. W., & Seiersen, R. (2016). How to measure anything in cybersecurity risk.

2. Freund, J., & Jones, J. (2015). Measuring and managing information risk.

3. 张威 等 (2021). CISO进阶之路：从安全工程师到首席安全官

4. NIST. (2021). Identifying and Estimating Cybersecurity Risk for Enterprise Risk Management. National Institute of Standards and Technology, 8286A, 55.

5. IBM Corporation. (2021). Cost of a Data Breach Report 2021. IBM Security, 1–73.

备注：

如果你对严谨性要求比较高，认为专家估计不能用于计算。下面是一个论证，说明专家估计和测量在表现上没有本质区别。比如，我们所有人都是估计别人身高的专家。所以你看到我的时候，可能会估计我在1.65-1.85米之间，而且最可能是在1.75上下之类。或者是一个更小的范围。写出来就是1.75m+-10cm。注意，这跟拿一个尺子量在形式上是不能区分的：我们从初中物理学过，每次测量都有误差，所以需要多次测量，最后的测量结果类似1.76m+-2cm。因此经过校准的专家估计也是一个测量系统，只是有可能精度不高。

在公众号留言“答案”即可获取文中问题的正确答案