通过从配置和网络流中提取软件架构实现云基于系统的半自动威胁建模

传统威胁建模发生在设计阶段，但云部署引入了意想不到的威胁，尤其是跨信任边界链式多个漏洞的多阶段攻击。现有安全工具以组件为单位进行分析，无法检测系统组成导致的架构威胁，亦无法将运行时行为与配置的策略进行验证。这一差距使组织面临利用架构弱点实施攻击的风险。本文通过一种关键创新性方法来弥补这一差距：自动从运行时观察中推断系统架构，以实现持续威胁建模。我们的方法结合静态配置分析与观察到的网络流，以构建反映实际运行时行为的架构图，然后应用基于平台无关的抽象（组件、域、接口、访问策略、流）进行系统性威胁检测。这使得在裸金属、Kubernetes和云基础设施之间实现一致的威胁识别，而无需手动维护图表。我们使用一个包含机器学习组件的供应链系统部署在所有三个平台上进行验证，注入17类基础设施和机器学习威胁。结果显示在所有平台上均能检测到这17类威胁，而现有安全工具仅检测到6%-47%，且零覆盖机器学习威胁，确认了运行时感知、架构层面威胁分析的必要性。