商用密码应用安全性评估量化评估规则(2021版)

本文档详细阐述了基于GM/TBBBB标准的密码应用量化评估框架,涵盖密码使用安全、密钥管理安全和密码算法/技术安全三个方面,并制定了具体的量化规则。评估涉及密码技术的合规性、密钥全生命周期管理和算法标准符合性。通过加权平均值计算各测评单元、安全层面及整体的测评结果,确保信息系统的密码安全。
摘要由CSDN通过智能技术生成

量化评估框架

参考 GM/T BBBB《信息系统密码应用测评要求》,本规则从三个方面进行量化评估:

密码使用安全(Cryptography Deployment security)是指,密码技术是否被正确、有效使用,以满足信息系统的安全需求,有效提供机密性、完整性、真实性和不可否认性的保护;

密钥管理安全Key management security)是指,密钥管理的全生命周期是否安全,用于密码计算或密钥管理的密码产品/密码服务是否安全。

密码算法/技术安全(Cryptography Algorithm/Technique security)是指,信息系统中使用的密码算法是否符合法律、法规的规定和密码相关国家标准、行业标准的有关要求,信息系统中使用的密码技术是否遵循密码相关国家标准和行业标准或经国家密码管理部门核准。

量化规则

(1)各测评对象的测评结果量化规则

        密码应用技术要求中,第 i 个安全层面的第 j 测评单元的第 k 测评对象T_{i,j,k},其量化评估结果S_{i,j,k}\epsilon \left \{ 0,0.25,0.5,1 \right \},其中 0 表示不符合,1 表示符合,其它表示部分符合。S_{i,j,k}的取值分别见表1。通用要求和密码应用技术要求各安全层面的“密码服务”和“密码产品”指标不单独评价。

         密码应用管理要求不针对各个测评对象的测评结果进行量化评估。

(2)测评单元的测评结果量化规则

        第 i 个安全层面的第 j 测评单元 U_{i,j} 的量化评估结果 S_{i,j} 为该测评单元内所有 n_{i,j} 个测评对象测评结果的算术平均值(四舍五入,取小数点后 4 位),即: 

S_{i,j}=\frac{\sum _{1\leqslant k\leqslant n_{i,j}} S_{i,j,k}}{n_{i,j}}

        密码应用管理要求中,第 i 个安全层面的第 j 测评,根据 GM/T BBBB 给出判定结果 S_{i,j},符合为 1 分,不符合为 0 分,部分符合为 0.5 分。

(3)安全层面的测评结果量化规则

        本文件为每个测评单元分配了相应的权重 w_{i,j} ,如表 2 所示。第 i 个安全层面 L_{i} 的量化评估结果 S_{i} 为该安全层面内所有 n_{i} 个适用测评单元测评结果 S_{i,j} 的加权平均值(四舍五入, 取小数点后 4 位),即:

S_{i}=\frac{\sum _{1\leqslant j\leqslant n_{i}} w_{i,j} S_{i,j}}{\sum_{1 \leqslant j\leqslant n_{i}} w_{i,j}}

        若某测评指标不适用,则不参与量化评估过程,不适用的判定方式参见 GM/T BBBB

(4)整体测评结果量化规则

        本文件为每个安全层面分配了相应的权重 w_{i} ,如表 2 所示。量化评估结果 S 为所有 n 个安全层面测评结果 S_{i} 的加权平均值(四舍五入,取小数点后 2 位),即:

S=\frac{\sum _{1\leqslant i\leqslant n} w_{i} \cdot S_{i}}{\sum_{1 \leqslant i\leqslant n} w_{i}}\times 100

         若某个安全层面的所有测评指标都不适用,则该安全层面不参与量化评估过程。

表 1 量化评估表
符合情况涉及情况示例分值S_{i,j,k}
密码使用安全D密码算法/技术合规性A密钥管理安全K
符合

全部符合相关的要求

1
部分符合×

使用认证合格的密码产品,但使用的密码算法/技术不合规

0.5
×

使用未经认证或不满足安全等级要求的密码产品,但使用的密码算法/技术合规

××

使用未经认证或不满足安全等级要求

的密码产品,且使用的密码算法/技术不合规

0.25
不符合×//

使用的密码技术无法满足信息系统的安全需求,或未使用密码技术等

0
表 2 测评指标权重表
序号测评单元

安全层

面权重w_{i}

指标权重 w_{i,j}
第一级第二级第三级第四级
1

物理

环境

安全

身份鉴别100.40.711
2电子门禁记录数据存储完整0.40.40.70.7
3视频记录数据存储完整性//0.70.7
4

网络

通信

安全

身份鉴别20

0.4

0.711
5通信数据完整性0.40.40.71
6通信过程中重要数据的机密性0.40.711
7网络边界访问控制信息的完整性0.40.40.40.7
8安全接入认证//0.40.7
9

设备

计算

安全

身份鉴别100.40.711
10远程管理通道安全//11
11系统资源访问控制信息完整性0.40.40.40.7
12重要信息资源安全标记完整性//0.40.7
13日志记录完整性0.40.40.40.7
14重要可执行程序完整性、重要可执行程序来源真实性//0.71
15

应用

数据 

安全

身份鉴别300.40.711
16访问控制信息完整性0.40.40.40.7
17重要信息资源安全标记完整性//0.40.7
18重要数据传输机密性0.40.711
19重要数据存储机密性0.40.711
20重要数据传输完整性0.40.70.71
21重要数据存储完整性0.40.70.71
22不可否认性//11
23

管理

制度

具备密码应用安全管理制度81111
24密钥管理规则0.70.70.70.7
25建立操作规程/0.70.70.7
26定期修订安全管理制度//0.70.7
27明确管理制度发布流程//0.70.7
28制度执行过程记录留存//0.70.7
29

人员

管理

了解并遵守密码相关法律法规和密码管理制度80.70.70.70.7
30建立密码应用岗位责任制度/111
31建立上岗人员培训制度/0.70.70.7
32定期进行安全岗位人员考核//0.70.7
33建立关键岗位人员保密制度和调离制度0.70.70.70.7
34

建设

运行

制定密码应用方案81111
35制定密钥安全管理策略1111
36制定实施方案0.70.70.70.7
37投入运行前进行密码应用安全性评估1111
38定期开展密码应用安全性评估及攻防对抗演习//0.70.7
39

应急

处置

应急策略61111
40事件处置//0.70.7
41向有关主管部门上报处置情况//0.70.7
  • 3
    点赞
  • 30
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
这个问题涉及到爬虫和数据处理两个方面,需要分开来考虑。 首先,需要使用爬虫技术从各大高校的招生信息网站上获取考研分数线。具体实现方式可以采用 Python 的 requests 库和 BeautifulSoup 库,代码如下: ```python import requests from bs4 import BeautifulSoup # 定义需要爬取的网址 url = 'http://yz.chsi.com.cn/zsml/queryAction.do' # 定义请求参数 params = { 'm': 'ksbm', 'yxdm': '10003', 'zymc': '计算机科学与技术', 'xxfs': '1', 'bkbm': '1', } # 发送 GET 请求并获取响应内容 response = requests.get(url, params=params) html = response.content # 使用 BeautifulSoup 解析 HTML soup = BeautifulSoup(html, 'html.parser') # 提取分数线信息 table = soup.find('table', class_='zsml-res-items') rows = table.find_all('tr')[1:] for row in rows: cols = row.find_all('td') print(cols[0].text, cols[1].text, cols[2].text, cols[3].text, cols[4].text) ``` 以上代码以某高校计算机专业为例,爬取了该专业的分数线并输出。需要注意的是,具体的请求参数需要根据不同的高校和专业进行调整。 其次,需要对获取到的分数线进行处理,可以将其存储到本地的 CSV 文件中。具体实现方式可以使用 Python 的 pandas 库,代码如下: ```python import pandas as pd # 定义 DataFrame df = pd.DataFrame(columns=['学校', '专业', '年份', '最高分', '最低分']) # 爬取分数线信息并添加到 DataFrame 中 for year in range(2016, 2022): params['nf'] = str(year) response = requests.get(url, params=params) html = response.content soup = BeautifulSoup(html, 'html.parser') table = soup.find('table', class_='zsml-res-items') rows = table.find_all('tr')[1:] for row in rows: cols = row.find_all('td') df.loc[len(df)] = [cols[0].text, cols[1].text, cols[2].text, cols[3].text, cols[4].text] # 将 DataFrame 存储到 CSV 文件中 df.to_csv('score_lines.csv', index=False) ``` 以上代码将分数线信息爬取并存储到了名为 `score_lines.csv` 的文件中。需要注意的是,这里只是爬取了某一专业的分数线信息,如果需要爬取其他专业的分数线信息,需要相应地修改请求参数和 DataFrame 中的列名。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值