Predictive Prioritization: Datenwissenschaft ermöglicht Eingrenzung von Schwachstellen auf die 3 %, bei denen ein Angriff wahrscheinlich ist

Im Jahr 2017 wurden 15.038 neue CVEs veröffentlicht, 2016 waren es noch 9.837. Im vergangenen Jahr wurden 16.500 neue CVEs aufgedeckt. Da die Zahl der Schwachstellen von Jahr zu Jahr – eigentlich sogar von Tag zu Tag – größer wird, ist es ein aussichtsloses Unterfangen, jede potenzielle Bedrohung in Ihrem Unternehmen beseitigen zu wollen. Die Notwendigkeit einer Priorisierung liegt auf der Hand. Doch wo beginnen – insbesondere in Anbetracht der Tatsache, dass CVSS die Mehrzahl aller Schwachstellen mit einem Schweregrad von „Hoch“ oder „Kritisch“ einstuft?

Hier kommt Predictive Prioritization in Spiel – ein neuer Prozess, bei dem Schwachstellen nach der Wahrscheinlichkeit priorisiert werden, dass sie für einen Cyberangriff ausgenutzt werden. Predictive Prioritization nutzt einen Machine Learning-Algorithmus, um die Schwachstellen zu identifizieren, bei denen die Wahrscheinlichkeit am höchsten ist, dass sie in nächster Zeit angegriffen werden.

In diesem technischen Whitepaper wird Folgendes erörtert:

• Inwiefern Predictive Prioritization das CVSS-Framework auf intelligentere Weise nutzt
• Wie Predictive Prioritization genau funktioniert, einschließlich der Grundsätze, an denen sich das Bedrohungsmodell orientiert
• Warum die dynamische Bewertung bei Predictive Prioritization einen wesentlichen Vorteil gegenüber der statischen CVSS-Bewertung bietet
• Warum Predictive Prioritization präziser ist als andere Behebungsstrategien

Machen Sie den ersten Schritt, um dem Ansturm von Schwachstellen entgegenzuwirken. Laden Sie jetzt „Predictive Prioritization: Datenwissenschaft ermöglicht Eingrenzung von Schwachstellen auf die 3 %, bei denen ein Angriff wahrscheinlich ist“ herunter.