[论文解读] Towards an open standard for assessing the severity of robot security vulnerabilities, the Robot Vulnerability Scoring System (RVSS)

Víctor Mayoral Vilches, Endika Gil-Uriarte+8 more|arXiv (Cornell University)|Jul 26, 2018

Information and Cyber Security参考文献 5被引用 14

一句话总结

本文提出了机器人漏洞评分系统（RVSS）v1.0，一种专为机器人安全设计的开放、标准化评分框架，通过整合安全影响、环境暴露、第三方库风险和漏洞年龄等机器人特异性因素，对CVSSv3进行扩展。RVSS在信息物理系统中的漏洞严重性评分比CVSSv3更为准确，实验验证表明，针对真实机器人漏洞的风险评估存在显著差异。

ABSTRACT

Robots are typically not created with security as a main concern. Contrasting to typical IT systems, cyberphysical systems rely on security to handle safety aspects. In light of the former, classic scoring methods such as the Common Vulnerability Scoring System (CVSS) are not able to accurately capture the severity of robot vulnerabilities. The present research work focuses upon creating an open and free to access Robot Vulnerability Scoring System (RVSS) that considers major relevant issues in robotics including a) robot safety aspects, b) assessment of downstream implications of a given vulnerability, c) library and third-party scoring assessments and d) environmental variables, such as time since vulnerability disclosure or exposure on the web. Finally, an experimental evaluation of RVSS with contrast to CVSS is provided and discussed with focus on the robotics security landscape.

研究动机与目标

• 解决CVSSv3在评估机器人安全漏洞时的不足，因其聚焦于传统IT系统而非信息物理系统。
• 开发一种标准化、开放且可扩展的评分系统，以涵盖机器人特异性风险，如物理安全影响和环境暴露。
• 实现跨机器人平台的准确、一致且可比较的漏洞严重性评级，尤其针对涉及第三方库和长期披露问题的漏洞。
• 通过支持基于现实风险画像的修复优先级排序，为机器人漏洞管理提供基础。
• 通过开源实现和公开评审，促进社区采纳并推动评分系统的协作改进。

提出的方法

• 将CVSSv3的基于向量的评分模型适配为包含机器人特异性指标，特别是修改攻击向量（AV）并引入新的安全（H）指标，以反映潜在的物理伤害。
• 引入年龄修正因子，量化未修补且已披露漏洞随时间推移带来的风险增加，反映实际暴露时长。
• 修订影响指标子组，允许第三方组件（如库、中间件）获得非零评分，采用最坏情况分析以反映供应链风险。
• 将环境上下文整合到评分模型中，包括系统敏感性（S:U），并根据潜在物理损坏或系统被攻破的可能性重新评估影响。
• 通过改进的公式定义基础评分：Base_score = round_up(min[Exploitability + Impact, 10])，其中两个分量均基于加权向量指标计算。
• 通过保留核心结构并扩展语义与权重以反映机器人特异性威胁模型，确保与CVSSv3的向后兼容性。

实验结果

研究问题

• RQ1 机器人漏洞的严重性与传统IT漏洞有何不同，特别是在安全和物理影响方面？
• RQ2 环境暴露和漏洞年龄的引入在多大程度上提升了机器人风险评估的准确性？
• RQ3 一种考虑第三方软件组件和库的改进评分系统，能否为机器人系统提供比CVSSv3更真实的严重性评级？
• RQ4 在真实机器人漏洞评估中，所提出的RVSS v1.0与CVSSv3在定量和定性层面相比如何？
• RQ5 哪些关键因素使机器人漏洞区别于一般软件漏洞，以及如何在评分框架中系统性地捕捉这些因素？

主要发现

• RVSS v1.0对一个涉及未认证远程访问的代表性机器人漏洞给出5.9的严重性评分，展现出比CVSSv3更细致的评估。
• 引入安全（H）指标显著提高了具有物理伤害潜力漏洞的影响评分，使其与纯IT风险区分开来。
• 年龄修正因子提高了长期披露但未修补漏洞的评分，反映了其随时间推移风险增加的现实，而CVSSv3未能捕捉这一点。
• 第三方库和中间件现在可获得非零影响值，从而更好地评估机器人系统中的供应链风险。
• 实验评估显示，RVSS在机器人特异性漏洞的严重性排序上与CVSSv3存在显著差异，尤其在安全关键场景中。
• 所提出的系统支持与CVSSv3的回溯兼容性，允许直接比较并迁移现有漏洞报告至新框架。