KeyFrame內部研究專用

To Pay or Not to Pay? The Battle Between Bug Bounty & VDPs by Aaron Guzman | BBV, DEF CON 33

Bug Bounty Village·5月12日週二·23 min英文

三句話摘要

Cisco分享十年bug bounty運營經驗,推介新研究工具包幫助安全研究員更有效提交漏洞報告。 明確的程序分類、結構化的提交標準、AI輔助的決策工具,加上持續的關係建設,是讓bug bounty生態對安全研究員與企業都更有效的根本。 雙軌程序設計解決流程混亂:Bounty程序專門處理產品與營收相關風險(最高獎勵10,000美元),VDP負責基礎設施與運營問題(累積積分換取硬體)。此分法消除研究員的困惑,加快漏洞分流,也讓Cisco能從不同角度系統地降低風險。

重點整理

重點
  • 1

    雙軌程序設計解決流程混亂:Bounty程序專門處理產品與營收相關風險(最高獎勵10,000美元),VDP負責基礎設施與運營問題(累積積分換取硬體)。此分法消除研究員的困惑,加快漏洞分流,也讓Cisco能從不同角度系統地降低風險。

  • 2

    提交品質直接影響評估速度:標題、版本、POC(概念驗證)、業務影響、截圖五項要素構成高質量提交的標準。結構化提交不僅能更快獲得獎勵,也幫助Cisco發現類似弱點,提升修復效率。

  • 3

    PIRR框架簡化決策流程:Product Impact與Revenue Risk導向Bounty、Infrastructure導向VDP或VDP+協調披露。講者特別強調要把思考焦點從「選擇正確的提交渠道」轉移到「專注於發現漏洞本身」。

  • 4

    工具賦能降低新手進入門檻:Toolkit提供AI輔助的研究領域建議、OWASP測試指南、漏洞路由推薦與報告範本,讓初心者也能快速產出專業級提交,同時保護本地隱私(所有運算在本機執行)。

實用技巧與重點

乾貨
  • 程序歷史與規模
  • 2013年作為內部試點,由技術支援團隊推動(當時Cisco還沒有專屬安全團隊)
  • 演進過程:RT系統 → 託管服務 → 雙軌程序模式
  • 規模擴張:3百萬活躍設備 → 1000萬;產品線從數條 → 85條以上
  • 獎勵方案
  • Bounty最高獎金:10,000美元
  • VDP獎勵機制:積分制,可兌換硬體
  • Cisco Researcher Toolkit
  • 五項工具:研究領域建議、OWASP測試指南、漏洞路由建議、品質分析、報告生成
  • AI提供商支援:Claude、Gemini、OpenAI(API金鑰本地管理,不存儲在雲端)
  • 介面形式:Web介面(主要)、CLI版本
  • PIRR框架分類
  • Product Impact → Bounty(產品相關風險)
  • Infrastructure → VDP/Bounty(基礎設施、雲平台、資料中心資產)
  • Research → VDP(配置問題、運營問題如dangling DNS、子網域接管)
  • Revenue Risk → Bounty(營收影響風險)
  • 高獎金漏洞類型排序
  • IDOR(縱向權限提升)
  • Authentication Bypass(認證繞過)
  • Sensitive Information Access(敏感資訊存取)
  • 最新擴展範圍
  • Catalyst設備(無線控制器)
  • C9200交換機
  • Campus Gateway控制器
  • Wi-Fi 7私人獎勵計畫
  • 提交品質五項檢查清單
  • Title(標題)
  • Version(版本)
  • POC(概念驗證)
  • Business Impact(業務影響)
  • Screenshots(截圖)
  • 內部成果
  • 投報率(ROI):20倍
  • 頂級賞金獵人成功招聘案例2件(Hall of Fame成員現任職於Cisco)

結論

結論

明確的程序分類、結構化的提交標準、AI輔助的決策工具,加上持續的關係建設,是讓bug bounty生態對安全研究員與企業都更有效的根本。

完整解析

詳細

講者以Cisco安全計畫負責人身分,分享了自身從安全研究員、滲透測試人員到企業漏洞管理者的職涯轉變。他親身經歷過前bug bounty時代的痛苦——與廠商協調、郵件往返、180天等待CVE發放。後來在Belkin和Linksys擔任漏洞管理職時,又深刻體會到消費類公司安全團隊面對大量漏洞提交的無力感。這段經歷給了他雙方的同理心。

Cisco運營bug bounty超過十年,但近年面臨了破裂點——大量out of scope提交被轉向技術支援或帳戶團隊,最終無人處理或消失。研究員得不到回應,企業也失去了發現真實風險的機會。為了打破這個僵局,Cisco建立了雙軌機制。Bounty計畫保留給高價值產品風險,VDP則成為「歡迎墊」,三天內快速回應,歡迎報告基礎設施、配置或架構層面的問題。VDP不只有經濟獎勵,還提供積分制,研究員可用積分換取硬體進行進一步的安全研究。

為了幫助研究員在雙軌程序中快速做出正確選擇,講者設計了PIRR框架。不同於複雜的決策樹,PIRR只需思考漏洞涉及的四個維度:是否影響產品本身、基礎設施、研究價值、或營收。這簡化了認知負荷,讓研究員專注於發現漏洞而非選擇提交管道。

講者接著推介Cisco Researcher Toolkit——一款本地運行的開源工具,整合了Claude、Gemini或OpenAI的AI能力。工具提供三項核心功能。首先,它會根據最新發布的高價值目標(如Wi-Fi 7設備、Catalyst無線控制器)提示研究領域,並整合OWASP IoT安全測試指南,給初心者一個明確的起點。其次,漏洞路由建議引擎會根據輸入的產品、影響程度、業務關鍵性自動推薦應送往Bounty還是VDP。第三,提交品質分析會檢查報告是否包含標題、版本、POC、業務影響、截圖五項要素,並生成符合模版的初稿。

講者強調高質量提交的重要性。與漫無目的的bug報告相比,結構化提交能更快被Cisco評估,研究員也更快獲得獎勵確定性。Cisco歷年最高獎金的漏洞多為IDOR、認證繞過、敏感資訊洩露——這三類都涉及存取控制,也是最難系統性解決的安全問題。公司甚至成功招聘了兩位史上最頂級的賞金獵人加入團隊。其中一位在Wi-Fi管理介面發現的漏洞顯示,當研究員能系統性地理解架構、與公司分享觀點時,他們不只修補個別缺陷,而是幫企業診斷根本病症。

講者的最後一個強調是關係建設。漏洞提交不只是交易——研究員發現bug、企業支付獎金。真正的價值來自相互理解:企業明白研究員的動機與方法,研究員理解企業的風險優先級與技術制約。只有透過這種信任與對話,雙方才能發掘風險的真正根源,設計可持續的解決方案。

關鍵時刻

Pipeline v2

帶時間戳的重點,會在逐字稿層級分析上線後產生。目前請先透過原始影片觀看。

事實查核

Pipeline v2

說法查證是下一次管線升級的一部分。KeyFrame 只會顯示它真正能驗證的內容。

更多「AI 技術」的內容

🔬“We have foundation models for language, not for physics” — Anima Anandkumar, Bren Professor of Computing
編輯精選
83 min
AI 技術英文PODCAST8月26日

🔬“We have foundation models for language, not for physics” — Anima Anandkumar, Bren Professor of Computing

Latent Space

  • 加速傳統物理模擬的典範轉移:氣象科學家原本認為 AI 無法匹敵數十年的物理建模工作,但傅里葉神經算子不僅達到同等精度,還快了一萬多倍。原本需要超級計算機的計算現在用消費級 GPU 就能完成,這改變了整個領域的思維方式。
  • 傅里葉域的非局部現象捕捉:傅里葉域能有效表示非局部現象(如大氣河流跨越千里的影響),且計算複雜度為準線性,遠優於完全連接的全局模型。這特別適合流體動力學、量子化學等自然現象中普遍存在的非局部相互作用。
  • 多解析度連續函數表示:神經算子將輸入輸出視為連續函數而非固定維度向量,可在推論時以任意解析度查詢,並能在更高解析度上疊加物理約束或額外數據,克服了固定解析度神經網路的限制。
Between Two Nerds: Attribution is dead, long live attribution
32 min
AI 技術英文PODCAST8月25日

Between Two Nerds: Attribution is dead, long live attribution

Risky Business

  • 工具成本的破壞性下降 — 傳統上,攻擊者必須重複使用昂貴自製的惡意軟體或工具組,因為開發和維護成本極高。這種成本結構使得安全研究人員可以通過工具特徵和程式碼簽名來追蹤攻擊者。LLM 自動化了代碼生成與維護工作流,使得攻擊者可以輕易為每個目標生成新工具,或改用通用系統工具,導致傳統的工具特徵分析失效。
  • 所有取證證據都在攻擊者掌控之中 — 無論是使用的 IP 位址、惡意軟體類型或戰術流程,這些都是攻擊者的主動選擇。即使看似是隨機巧合,攻擊者仍有能力在事前決定留下什麼痕跡。因此,所有可恢復的取證證據本質上都是攻擊者願意暴露的信息。
  • LLM 削弱工具簽名但保留高階行為特徵 — LLM 經過公開駭客技術訓練,使不同使用者產生相似的攻擊模式。然而,勒索軟體集團、國家級行為者的受害者選擇、贖金要求方式或目標模式等高階特徵仍具有識別價值。例如,鎖定加密交易所的攻擊幾乎只能指向朝鮮。
Why the Next AI Breakthrough May Come from Physics with Max Welling - #774
55 min
AI 技術英文PODCAST8月25日

Why the Next AI Breakthrough May Come from Physics with Max Welling - #774

TWIML AI

  • 多層篩選的材料設計流程:先搜尋文獻資料庫找現有材料,若無合適的就用生成模型產生數十萬個候選分子,用機器學習力場進行分子動力學模擬篩選,再進行實驗驗證。這套流程相比傳統量子力學計算能加速效率數個數量級。
  • 生成AI與熱力學的數學等價性:資訊論是兩個領域的共同基礎,生成模型的擴散過程與非平衡統計力學描述資訊損失的過程在數學上完全對應,許多開發出來的方法工具在兩領域都有精確對應的形式。
  • 基礎模型的遷移學習策略:先在廣泛材料資料集上訓練基礎力場表示,再針對特定材料類別進行蒸餾微調,既能保持計算效率也能獲得專一性。