سرفصل‌ها درس 96 از 156 · مدل‌سازی تهدید
مدل‌سازی تهدید

پروژهٔ مرحلهٔ 4: یک مدل تهدید

چرا مهم است این پروژه مرحلهٔ 4 را جمع‌بندی می‌کند. یک مدل تهدید واقعی برای محصولی که واقعاً استفاده می‌کنید، به‌صورت دادهٔ پایتون، و کدی که آن را با یک معیار بررسی می‌کند می‌نویسید. در پایان ابزاری دارید که برای هر محصولی دوباره به کار می‌برید، و فهرستی روشن از سه چیزی که باید اول رفع کنید.

شرح کار

یک محصول که استفاده می‌کنید انتخاب کنید: یک اپ پیام‌رسان، یک ردیاب تناسب اندام، یک سایت خرید، یک بلندگوی هوشمند. مدل تهدید آن را از دید خودتان به‌عنوان کاربر در دیکشنری‌ای به نام MODEL بنویسید، سپس سه تابع بنویسید که آن را بررسی و رتبه‌بندی کنند.

خصوصی نگه داشته می‌شود: کد شما در مرورگر خودتان نمره‌دهی می‌شود. اگر ذخیره‌سازی میان دستگاه‌ها را روشن کنید، پیش‌نویس‌هایتان روی سرور Floati هم ذخیره می‌شوند، که دلیل دیگری برای کلی نگه داشتن آن است. با این حال مدل را کلی نگه دارید: بنویسید «پیام‌هایم» یا «نشانی خانه‌ام»، هرگز گذرواژه، نام کاربری، نشانی یا شماره‌حساب واقعی. یک مدل تهدید دربارهٔ شکل خطر است، نه خود رازها.

شکل MODEL

MODEL = {
    "product": "a fitness tracker app (fitly.example)",
    "assets": ["my running routes", "my heart-rate history", "my contacts"],
    "adversaries": [
        {"who": "advertisers", "wants": "my habits", "capability": "buy data from the app"},
        {"who": "a stranger", "wants": "where I live", "capability": "see public route maps"},
    ],
    "threats": [
        {"id": "T1", "asset": "my running routes", "adversary": "a stranger",
         "what": "public maps show where my runs start, near my home",
         "likelihood": 2, "impact": 3},
        # ... at least 4 threats
    ],
    "mitigations": [
        {"threat": "T1", "action": "hide the first and last 500 m of every route", "owner": "me"},
        # ... at least one for every threat
    ],
}

asset هر تهدید باید یکی از assets شما باشد، و adversary هر تهدید باید با "who" یکی از دشمنان جور باشد. این کار مدل را به هم وصل می‌کند: هر تهدید دقیقاً می‌گوید به چه چیزی ضربه می‌زند و چه کسی آن را انجام می‌دهد. owner می‌گوید چه کسی کاهش‌دهنده را انجام می‌دهد: "me" یا "product" (چیزهایی که از شرکت می‌خواهید تغییر دهد).

معیار

بررسیکد مشکل در صورت شکست
نام محصول غیرخالیno-product
دست‌کم 3 داراییfew-assets
دست‌کم 2 دشمنfew-adversaries
دست‌کم 4 تهدیدfew-threats
دارایی هر تهدید در فهرست دارایی‌هاستunknown-asset:T1 (با id همان تهدید)
دشمن هر تهدید با یک "who" جور استunknown-adversary:T1
احتمال و اثر هر کدام 1، 2 یا 3 هستندbad-score:T1
هر تهدید دست‌کم یک کاهش‌دهنده داردunmitigated:T1

خودارزیابی و بازخورد دستیار آموزشی

آزمون‌ها بررسی می‌کنند که مدل شما کامل و به هم وصل باشد و تابع‌هایتان درست باشند. نمی‌توانند قضاوت کنند که تهدیدهای شما تهدیدهای درست هستند یا نه. برای آن، سه تهدید اصلی‌تان را بلند بخوانید و از خودتان بپرسید: آیا کسی که این محصول را می‌شناسد موافق است که این‌ها بزرگ‌ترین خطرها هستند؟ همچنین می‌توانید دکمهٔ بازبینی کد دستیار آموزشی روی دستگاه را بزنید تا دربارهٔ کارتان نظر بدهد. در مرورگر شما اجرا می‌شود، پس مدل نزد شما می‌ماند. مدلی کوچک است، پس یادداشت‌هایش را تلنگری برای فکر کردن بدانید، نه حکم. بررسی‌های خودکار ثابت می‌کنند مدل شما کامل است؛ اینکه درست است یا نه بخشی است که خودتان قضاوت می‌کنید.

نکته‌هایی برای یک مدل خوب

  • از آنچه آموختید استفاده کنید: کوکی‌ها، انگشت‌نگاری‌ها، پیکسل‌ها و رضایت (مرحلهٔ 1)، طرز کار ردیاب‌ها در کد (مرحلهٔ 2)، اشخاص ثالث و نشت‌ها در سایت‌ها (مرحلهٔ 3)، آنچه HTTPS و رمزنگاری سرتاسری پنهان می‌کنند و نمی‌کنند، و اینکه قابلیت‌های هوش مصنوعی متن شما را کجا می‌فرستند.
  • دست‌کم یک تهدید معمولی (یک گذرواژهٔ تکراری، یک گوشی گم‌شده) و یکی دربارهٔ خود محصول (چه چیزی جمع می‌کند، با چه کسی به اشتراک می‌گذارد) بگنجانید.
  • کاهش‌دهنده‌هایی را ترجیح دهید که واقعاً همین هفته انجام می‌دهید، نه کاهش‌دهنده‌های بی‌نقصی که انجام نمی‌دهید.
در زبان‌های دیگر

جاوااسکریپت: رتبه‌بندی خطر با یک مرتب‌سازی دوبخشی.

const risk = t => t.likelihood * t.impact;
function topThreats(model, n = 3) {
  return [...model.threats]
    .sort((a, b) => risk(b) - risk(a) || a.id.localeCompare(b.id))
    .slice(0, n)
    .map(t => t.id);
}

Rust: همان ترتیب با sort_by.

threats.sort_by(|a, b| risk(b).cmp(&risk(a)).then(a.id.cmp(&b.id)));

خلاصه

  • یک مدل تهدید به‌صورت داده را کد می‌تواند بررسی کند: کامل، به هم وصل و رتبه‌بندی‌شده.
  • خطر برابر احتمال ضرب در اثر است؛ تساوی‌ها با id تهدید شکسته می‌شوند تا ترتیب همیشه یکسان باشد.
  • آزمون‌ها ساختار را بررسی می‌کنند؛ شما و دستیار آموزشی قضاوت می‌کنید که تهدیدها درست‌اند یا نه.
  • مدلتان را کلی و خصوصی نگه دارید: خطرها را توصیف کنید، هرگز رازها را ننویسید.
نوبت شما

MODEL را برای محصولی که استفاده می‌کنید پر کنید (شکل بالا را ببینید): یک رشتهٔ "product"، دست‌کم 3 "assets"، دست‌کم 2 "adversaries" (هر کدام با "who"، "wants" و "capability" غیرخالی)، دست‌کم 4 "threats" و یک کاهش‌دهنده (با "action" غیرخالی و "owner" برابر "me" یا "product") برای هر تهدید. سپس بنویسید:

  1. risk(threat): مقدار likelihood * impact را برمی‌گرداند.
  2. top_threats(model, n=3): idهای n تهدید پرخطرتر را، از بالاترین، برمی‌گرداند؛ وقتی دو تهدید خطر یکسان دارند، id کوچک‌تر (در ترتیب عادی رشته‌ها) اول می‌آید.
  3. rubric(model): فهرستی از کدهای مشکل جدول معیار را برمی‌گرداند، یا وقتی مدل قبول می‌شود []. اول چهار قاعدهٔ کل مدل را بررسی کنید، سپس هر تهدید را به ترتیب فهرست، با بررسی دارایی، دشمن، امتیاز و کاهش‌دهنده به همین ترتیب. از .get با مقدارهای پیش‌فرض استفاده کنید تا مدلی با کلیدهای ناموجود خراب نشود.
در پایان rubric(MODEL) و top_threats(MODEL) را چاپ کنید.

مشکلی در این درس دیدید؟ گزارشش کنید · دربارهٔ این درس بپرسید

این تمرین به‌زودی باز می‌شود

درس پیش از آن را تمام کنید تا این یکی باز شود. کل دوره رایگان است، حساب کاربری لازم نیست، و می‌توانید همین الان این درس را بخوانید.