Active Learning برای بهبود مداوم مدلهای تشخیص XSS در سازمان

افزایش تعداد هشدارهای امنیتی در محیط های توسعه و استقرار یکی از مشکلات اصلی سازمان هایی است که می خواهند امنیت را به صورت پیوسته و با کمترین اصطکاک در خط لوله DevSecOps اجرا کنند. در این میان هشدارهای مربوط به XSS معمولا به دلیل وابستگی زیاد به زمینه، اجرا، نوع ورودی، نوع محل آسیب پذیری و رفتار سمت کاربر با تعداد قابل توجهی هشدار غلط همراه هستند. همین موضوع باعث می شود زمان کارشناسان امنیت به جای رسیدگی به موارد مهم صرف بررسی و غربال کردن هشدارهای کم ارزش شود. در این پروژه یک چارچوب عملی برای بهبود مداوم مدل های تشخیص و اولویت بندی XSS با استفاده از یادگیری فعال پیشنهاد می شود. ایده اصلی این است که سامانه به جای فرستادن همه یافته ها برای بازبینی، انسانی فقط نمونه هایی را انتخاب کند که بیشترین ارزش یادگیری را دارند. در این چارچوب ابتدا خروجی ابزارهای SAST، DAST و اسکن کد جمع آوری و نرمال سازی می شود. سپس یک مدل پایه برای تشخیص یا اولویت بندی هشدارها آموزش می بیند. بعد از آن با ترکیب دو راهبرد نمونه گیری مبتنی بر عدم قطعیت و نمونه گیری متنوع در هر چرخه فقط یک بسته محدود از نمونه ها برای برچسب گذاری انسانی انتخاب می شود. بازخورد کارشناس دوباره به مجموعه داده برمی گردد، مدل بازآموزی می شود و کیفیت سامانه به مرور بهتر می شود. در این گزارش مسئله، ضرورت، پیشینه، معماری پیشنهادی، روش اجرا، شاخص های ارزیابی، نتایج مورد انتظار، محدودیت ها و مسیر توسعه این سامانه بررسی شده است. جمع بندی کلی نشان می دهد که با همین تعداد نیروی انسانی می توان به دقت بیشتر، هشدار غلط کمتر و تصمیم گیری سریع تر درباره هشدارهای XSS رسید.

کلیدواژه ها:

یادگیری فعال ، بازبینی انسانی ، بهبود مداوم ، مدل ، کاهش هشدار غلط ، XSS ، امنیت پیوسته هوشمند ، توسعه امنیت و عملیات