sai-teja-girimaji/dspm-posture-simulator

# DSPM 姿态模拟器 — Azure AI 代理数据暴露风险评估 [](https://sai-teja-girimaji.github.io/dspm-posture-simulator) [](#built-with) [](https://pages.github.com/) [](#disclaimer) 这是一个基于浏览器的交互式工具，它根据实践者提供的环境参数，计算跨越五个加权维度的 **Azure AI 代理数据暴露风险评分**。它将关于代理驱动数据暴露的对话 — _"如果 Copilot 能访问到这个范围，我们暴露了多少？"_ — 转化为一个具体的评分、一段叙述和一份优先级排序的行动列表，而无需接触任何实际租户。  ## 实时演示 **[https://sai-teja-girimaji.github.io/dspm-posture-simulator](https://sai-teja-girimaji.github.io/dspm-posture-simulator)** 无需安装，无需注册，无数据追踪。打开链接，即可开始调整滑块。 ## 评估内容 模拟器将整体暴露度分解为五个加权的子维度，每个子维度评分范围为 `0–100`： | # | 维度 | 衡量内容 | 权重 | |---|------|----------|------| | 1 | **发现差距** | 数据资产中有多少部分是未分类、未标记的，且对安全团队来说实质上是未知的 | 20% | | 2 | **访问爆炸半径** | 代理一旦被调用，能触及敏感数据的范围有多广 — 这取决于 RBAC 卫生状况、资产规模和代理覆盖范围 | 25% | | 3 | **策略覆盖差距** | 有多少敏感数据未被 DLP 策略和出站控制所保护 | 20% | | 4 | **代理扩散风险** | 由活跃 AI 代理数量产生的暴露面，在周围控制措施薄弱时会被放大 | 20% | | 5 | **修复滞后** | 上次数据发现活动的陈旧程度 — 根据昨日资产校准的控制措施无法治理今日的环境 | 15% | 总体评分是这五个维度的加权总和。 ## 使用方法 1. **打开实时网址** — [sai-teja-girimaji.github.io/dspm-posture-simulator](https://sai-teja-girimaji.github.io/dspm-posture-simulator)。 2. **调整左侧的滑块和下拉菜单**，以反映您的 Azure 环境 — 存储规模、代理覆盖范围、RBAC 卫生状况、DLP 覆盖率、敏感数据类别以及上次数据发现活动后的时间。 3. **在右侧查看您的风险评分和分解详情** — 总体评分、各维度评分条以及一段解释输入组合含义的叙述性段落。 4. **查看前三项优先建议** — 每条建议都根据您的输入量身定制，并附有估计的分值降低量。 5. **复制可分享的摘要** 作为文本，用于 LinkedIn、内部报告、董事会汇报或客户沟通。 所有计算均在客户端完成；页面状态是临时的，绝不会离开您的浏览器。 ## 数据输入 模拟器接受八项输入： 1. **Azure 存储帐户和 Blob 容器的数量** — 滑块，范围 `1–500`。 2. **AI 代理可访问的 SharePoint 站点数量** — 滑块，范围 `1–200`。 3. **活跃的 Copilot / 代理型 AI 部署数量** — 滑块，范围 `1–50`。 4. **数据分类覆盖率** — 滑块，范围 `0–100%`。 5. **RBAC 卫生状况** — 下拉菜单：严格（<10%），适中（10–30%），宽松（30–60%），未治理（>60%）。 6. **DLP 策略覆盖率** — 下拉菜单：全面，部分，最小化，无。 7. **存在的敏感数据类别** — 多选：PII、凭据和机密、财务记录、医疗数据、法律与合同、源代码、内部战略。 8. **上次数据发现活动** — 下拉菜单：过去30天，过去6个月，过去一年，从未。 ## 风险评分 每个子维度根据相关输入的加权组合计算得出。然后，总体评分是五个子维度的加权总和（权重见上表），得出一个 `0–100` 的综合评分。 该综合评分映射到四个等级： | 分数范围 | 等级 | 含义 | |----------|------|------| | `0 – 30` | **低** | 防御姿态良好 — 保持现有控制和节奏。 | | `31 – 60` | **中** | 存在暴露但可控制 — 优先处理主要驱动因素。 | | `61 – 80` | **高** | 显著暴露 — 需要协调一致的修复措施。 | | `81 – 100` | **危急** | 危急暴露 — 当前存在事件发生的条件。 | 类别敏感性被纳入考量，而不仅仅是简单计数：凭据和医疗数据比内部战略文档具有更高的权重，这反映了现实世界的数据泄露影响和监管风险。 ## 覆盖的 Azure 技术栈 该模型针对 AI 代理数据暴露最常涉及的 Microsoft Azure 和 Microsoft 365 控制平面进行了校准： - **Microsoft Entra ID** — 身份卫生、RBAC、代理服务主体 - **Azure Blob 存储** — 作为主要数据存储库的存储帐户和容器 - **SharePoint Online** — 代理可访问的内容界面 - **Microsoft Copilot** — Microsoft 365 Copilot、自定义 Copilot、Azure AI 代理 - **Microsoft Purview** — 数据发现、分类和标记 - **DLP 策略** — Purview DLP、Defender for Cloud Apps 及等效的出站控制 ## 免责声明 这是一个基于常见 DSPM 框架和实践者启发法的**教育工具**。它**不是供应商产品**，不连接到任何实际的 Azure 环境，也不会传输、存储或分析租户数据。模拟器产生的评分是说明性的 —— 它们是风险对话的框架辅助工具，不能替代审计或作为合规性证明。 ## 构建工具 - **纯 HTML、CSS 和原生 JavaScript** — 无框架，无构建步骤。 - **无后端、无 API 密钥、无数据追踪** — 完全在客户端运行。 - **CDN 依赖**仅限于 Google Fonts (Inter)。 - **可部署在 GitHub Pages** 上，作为一个单一的静态 `index.html` 文件。 - **使用 [Claude Code](https://claude.com/claude-code) 构建** — Anthropic 官方的代理工程 CLI 工具。 ## 作者 **Sai Teja Girimaji** **NTT DATA** 网络安全能力负责人 云安全 · AI 安全 · 托管安全服务 GitHub — [github.com/sai-teja-girimaji](https://github.com/sai-teja-girimaji)

标签：AI安全, Azure, Azure AI, Chat Copilot, DSPM, 交互式工具, 代理风险, 后端开发, 多模态安全, 安全态势管理, 安全评分, 教育工具, 数据可视化, 数据暴露, 数据治理, 浏览器应用