跳到主要內容

發表文章

目前顯示的是有「FAIR」標籤的文章

FAIR 框架實戰指南:以貨幣量化資安風險,驅動財務導向的決策思維

資安風險長期以「高、中、低」定性描述,難以說服 C-Level 做投資決策。 FAIR 框架 以貨幣量化風險,將資安語言轉換為財務語言,讓決策有數字支撐。 FAIR 的核心結構:兩大維度拆解風險 FAIR 將風險定義為: 風險 = 損失事件頻率(LEF)× 損失幅度(LM) 。LEF 進一步拆解為「威脅事件頻率(TEF)」與「弱點(Vulnerability)」的組合;LM 則涵蓋六類損失形式,包含生產力損失、回應成本、法律責任、聲譽損害等。每個節點皆以機率分佈(如 PERT 分佈)表示不確定性,最終透過蒙地卡羅模擬(Monte Carlo Simulation)產出年化損失期望值(ALE),以具體金額呈現風險暴露程度,取代模糊的定性評級。 實戰應用:從分析到決策的完整流程 實施 FAIR 分析的標準流程分為四步:第一步, 定義分析範圍 ,明確資產、威脅行為者與威脅情境(如:外部攻擊者針對客戶資料庫發動勒索攻擊)。第二步, 收集數據 ,引用業界威脅情報(如 Verizon DBIR)與組織內部歷史事件,估算 TEF 與弱點機率的最小值、最可能值與最大值。第三步,執行 蒙地卡羅模擬 (建議 10,000 次迭代),產出年化損失分佈圖。第四步, 比較控制措施 ROI :投入 50 萬控制措施若能將 ALE 從 300 萬降至 80 萬,淨效益達 170 萬,決策一目瞭然。 # 簡易 FAIR 蒙地卡羅模擬(Python) import numpy as np samples = 10_000 tef = np.random.pert(1, 4, 12, samples) # 年均威脅事件次數 vuln = np.random.pert(0.1, 0.3, 0.6, samples) # 弱點機率 lm = np.random.pert(50_000, 200_000, 800_000, samples) # 單次損失(元) ale = tef * vuln * lm # 年化損失期望值 print(f"ALE 第 90 百分位:{np.percentile(ale, 90):,.0f} 元") 💡 重點整理 風險 = LEF × ...