Towards Predicting Multi-Vulnerability Attack Chains in Software Supply Chains from Software Bill of Materials Graphs
Deze paper introduceert een nieuwe onderzoekrichting die Software Bill of Materials (SBOM)-gegevens omzet in heterogene grafen om met behulp van een Heterogeneous Graph Attention Network (HGAT) en een MLP-neuraal netwerk kettingreacties van meerdere kwetsbaarheden in softwareleveringsketens te voorspellen, in plaats van deze als geïsoleerde CVE's te behandelen.
Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer
Stel je voor dat je een gigantische, complexe machine bouwt, zoals een auto of een ruimtevaartuig. In plaats van alles zelf te fabriceren, gebruik je onderdelen van honderden verschillende leveranciers: wielen van firma A, een motor van firma B, en software van firma C.
In de wereld van software noemen we deze lijst met onderdelen een SBOM (Software Bill of Materials). Het is als een ingrediëntenlijst voor een recept, maar dan voor computerprogramma's.
Het probleem is dat hackers vaak niet één zwak punt aanvallen, maar een kettingreactie opzetten. Ze vinden een klein, onschuldig gebrek in onderdeel A, gebruiken dat om toegang te krijgen tot onderdeel B, en van daaruit naar onderdeel C, totdat ze de hele machine overnemen.
Tot nu toe keken beveiligingsexperts naar deze lijst als een simpele lijst met fouten: "Onderdeel A heeft een fout, onderdeel B heeft een fout." Ze zagen de fouten als losse eieren in een mandje. Maar in werkelijkheid zijn deze onderdelen met elkaar verbonden, zoals de schakels in een ketting. Als je één schakel breekt, kan de hele keten bezwijken.
Wat doen deze onderzoekers?
Laura Baird en Armin Moin hebben een nieuwe manier bedacht om naar deze "ingrediëntenlijst" te kijken. In plaats van een simpele lijst, bouwen ze een dynamisch net (een grafiek) van de software.
Hier is hoe hun idee werkt, vertaald naar alledaagse beelden:
1. Van Lijst naar Netwerk (De "Stad" Analogie)
Stel je de software voor als een stad.
- De onderdelen (zoals bibliotheken of pakketten) zijn de huizen.
- De afhankelijkheden (wat heeft wat nodig?) zijn de straten die de huizen met elkaar verbinden.
- De veiligheidslekken (de CVE's) zijn gebroken ramen in die huizen.
De oude manier van werken was: "Kijk, huis 101 heeft een gebroken raam. Huis 205 heeft ook een gebroken raam."
De nieuwe manier van Baird en Moin is: "Huis 101 heeft een raam, en er loopt een straat naar Huis 205. Als een inbreker door het raam van 101 gaat, kan hij via die straat direct naar 205 rennen."
Ze bouwen een digitaal model van deze stad, een heterogeen grafiek, waar ze niet alleen de huizen en ramen zien, maar ook precies hoe de straten lopen.
2. De Twee Slimme Hulpjes (AI)
Ze gebruiken twee soorten kunstmatige intelligentie (AI) om dit net te analyseren:
De "Kijk-om-de-hoek" Detector (HGAT):
Dit is een slimme scanner die door het hele netwerk kijkt. Hij leert dat als een huis (onderdeel) verbonden is met een huis dat al een gebroken raam heeft, het risico groter is. Hij zegt: "Dit huis lijkt veilig, maar omdat het direct verbonden is met een huis dat al gekraakt is, is het waarschijnlijk ook in gevaar."
Resultaat: Hun model kon met 91% nauwkeurigheid voorspellen welke onderdelen in gevaar waren, puur door te kijken naar de verbindingen in het netwerk.De "Detective" voor Kettingreacties (MLP):
Deze AI is gespecialiseerd in het vinden van patronen in oude misdaden. Ze hebben een lijst gemaakt van bekende gevallen waarin hackers meerdere lekken combineerden (bijvoorbeeld: "Eerst lek X, dan lek Y").
De AI leert van deze gevallen: "Ah, als je lek X en lek Y ziet, is de kans groot dat hackers die twee samen gebruiken." Ze voorspelt dan nieuwe combinaties die nog niet eerder zijn gezien, maar die wel logisch lijken op basis van de patronen.
Resultaat: Ze konden met 93% zekerheid onderscheid maken tussen willekeurige combinaties en echte gevaarlijke kettingreacties.
Waarom is dit belangrijk?
Stel je voor dat je een auto bouwt. Als je alleen kijkt naar de wielen, zie je dat ze goed zijn. Maar als je ziet dat de wielen loszitten van de as, en die as weer loszit van het chassis, dan heb je een groot probleem.
Deze onderzoekers zeggen: "Kijk niet alleen naar de losse onderdelen, maar naar hoe ze samenwerken."
Door dit te doen, kunnen beveiligingsexperts:
- Voorkomen dat kleine fouten groot worden: Ze zien dat een klein lek in een onbelangrijk onderdeel, via een verbinding, een kritiek onderdeel kan bereiken.
- Prioriteiten stellen: In plaats van 1000 kleine fouten te proberen te repareren, kunnen ze focussen op de specifieke routes die hackers zouden kunnen gebruiken.
Conclusie
Kortom, Baird en Moin hebben een manier bedacht om softwarebeveiliging te veranderen van een statische "lijst met fouten" naar een dynamische "kaart van risico's". Ze gebruiken slimme netwerken om te zien hoe hackers een weg kunnen vinden door een complex systeem, zodat we die weg kunnen blokkeren voordat de inbraak plaatsvindt.
Het is alsof we van een statische plattegrond van een stad zijn gegaan naar een live-simulatie van hoe een inbreker door de straten zou rennen, zodat we de juiste politiewagens op de juiste plekken kunnen zetten.
Verdrinkt u in papers in uw vakgebied?
Ontvang dagelijkse digests van de nieuwste papers die bij uw onderzoekswoorden passen — met technische samenvattingen, in uw taal.