Modelowanie zagrożeń STRIDE na przykładzie pipeline'u CI/CD

Modelowanie zagrożeń STRIDE dla pipeline'u CI/CD: diagram, granice zaufania, zagrożenia w sześciu kategoriach, decyzje, kontrole i sposób ich sprawdzenia.

Szymon Mytych 27 maja 2026 10 min czytania

Dlaczego pipeline potrzebuje własnego modelu

Na diagramie aplikacji pipeline CI/CD zwykle występuje jako jedna strzałka z podpisem „wdrożenie”. W rzeczywistości to osobny system z własnymi uprawnieniami: zapisuje do repozytorium, publikuje obrazy w rejestrze, uzyskuje tożsamość w chmurze i wdraża zmiany na produkcję. Kto przejmie nad nim kontrolę, może dostarczyć dowolny kod wszystkim klientom, nie dotykając samej aplikacji. Szerzej opisujemy to w artykule Hardening CI/CD — czym jest i dlaczego firmy go ignorują.

Dlatego pipeline warto modelować osobno, tak jak każdy inny system. Poniżej przechodzimy przez cały model na typowym przykładzie: repozytorium w GitHubie, przebiegi w GitHub Actions, rejestr obrazów kontenerów i klaster Kubernetes w chmurze. Przy GitLab CI, Jenkinsie czy Azure DevOps zmieniają się nazwy ustawień, ale pytania zostają te same.

Metoda i jej źródła

Model budujemy wokół czterech pytań, które Adam Shostack opisał jako Four Question Frame: nad czym pracujemy, co może pójść nie tak, co z tym zrobimy i czy zrobiliśmy to dobrze. Na tych samych pytaniach opiera się Threat Modeling Manifesto oraz OWASP Threat Modeling Cheat Sheet, który rozpisuje je na cztery etapy: modelowanie systemu, identyfikację zagrożeń, odpowiedź na zagrożenia oraz przegląd i weryfikację. Kolejne kroki w tym artykule odpowiadają tym pytaniom.

Do drugiego pytania używamy STRIDE — sześciu kategorii zagrożeń, które pod koniec lat 90. opracowali w Microsofcie Loren Kohnfelder i Praerit Garg. Każda kategoria odpowiada naruszeniu jednej właściwości bezpieczeństwa, a przy pipelinie przekłada się na konkretne pytanie:

KategoriaNaruszana właściwośćPytanie dla pipeline’u
Spoofing — podszycie się pod tożsamośćuwierzytelnienieKto lub co może działać jako zaufany pipeline?
Tampering — nieuprawniona zmianaintegralnośćCo można zmienić między commitem a produkcją?
Repudiation — zaprzeczenie działanianiezaprzeczalnośćCzy da się ustalić, kto i na podstawie czego wdrożył zmianę?
Information disclosure — ujawnienie informacjipoufnośćGdzie mogą wyciec sekrety albo kod?
Denial of service — odmowa usługidostępnośćCo może zatrzymać budowanie albo wydanie?
Elevation of privilege — podniesienie uprawnieńautoryzacjaGdzie kod albo osoba może zrobić więcej, niż powinna?

Krok 1. Nad czym pracujemy: diagram pipeline’u

Model zaczyna się od diagramu przepływu danych. W naszym przykładzie składa się z ośmiu elementów:

Granica zaufania to miejsce, w którym dane albo polecenia przechodzą między obszarami o różnym poziomie zaufania. W tym pipelinie wyznaczamy pięć takich granic:

pull request (także z forka)
    |   [1] kod spoza zespołu uruchamia workflow
    v
repozytorium + definicje workflow
    |
    v
runner --[2]--> akcje, obrazy bazowe, paczki z rejestrów
    |  \--[3]--> tożsamość w chmurze (OIDC albo klucz)
    v
rejestr obrazów
    |   [4] klaster uruchamia to, co znajdzie w rejestrze
    v
klaster produkcyjny

logi przebiegów --[5]--> osoby z dostępem do repozytorium

Diagram ma odpowiadać temu, co faktycznie jest w plikach workflow i ustawieniach repozytorium, a nie temu, jak pipeline miał wyglądać w założeniach. Rozbieżności znalezione na tym etapie bywają pierwszymi zagrożeniami do zapisania: zapomniany workflow z dostępem do produkcji, sekret, którego nikt już nie używa, albo runner współdzielony z innym projektem.

Krok 2. Co może pójść nie tak: STRIDE na każdej granicy

Przy każdej granicy zadajemy pytania ze wszystkich sześciu kategorii. Nie każda kategoria da zagrożenie na każdej granicy, ale przejście przez pełną listę sprawia, że wynik nie zależy od tego, kto prowadzi sesję i o czym akurat pamięta. W naszym przykładzie zapisujemy między innymi takie zagrożenia:

Spoofing (granice 1 i 3). Długowieczny klucz do chmury zapisany jako sekret pozwala każdemu, kto go zdobędzie, działać jako pipeline z dowolnego miejsca — więcej o tym w artykule Długowieczne tokeny w CI/CD. Federacja OIDC nie zamyka tematu automatycznie: jeśli polityka zaufania w chmurze nie sprawdza repozytorium, gałęzi ani środowiska, token może uzyskać workflow uruchomiony z dowolnej gałęzi.

Tampering (granice 2 i 4). Akcja zewnętrznego autora przypięta do tagu, np. @v4, wykona kod, na który autor — albo ktoś, kto przejął jego konto — przesunie ten tag. Obraz w rejestrze można podmienić między buildem a wdrożeniem, jeśli wdrożenie odwołuje się do zmiennego tagu, np. latest, a prawo zapisu do rejestru ma więcej tożsamości niż sam pipeline. Trzecie zagrożenie to zmiana definicji workflow w pull requeście, która po cichu wyłącza testy albo skanowanie.

Repudiation (granica 4). Wdrożenie uruchomione ręcznie z laptopa administratora albo z konsoli chmury nie zostawia powiązania z commitem, pull requestem i zatwierdzeniem. Po incydencie nie da się wtedy ustalić, jaki kod trafił na produkcję i kto o tym zdecydował.

Information disclosure (granice 1 i 5). Sekret wypisany w logach przez polecenie diagnostyczne albo błąd w skrypcie. Maskowanie w logach opiera się na dokładnym dopasowaniu wartości, więc wartość wyprowadzona z sekretu — np. token wygenerowany z klucza prywatnego — przejdzie niezamaskowana, jeśli nie zostanie zarejestrowana jako sekret. Workflow uruchamiany przez pull_request_target, który pobiera i wykonuje kod z pull requestu, daje temu kodowi dostęp do sekretów repozytorium. Przykłady opisujemy w artykule Wycieki sekretów w pipeline’ach CI/CD.

Denial of service (granice 1 i 2). Masowo uruchamiane przebiegi, np. z pull requestów od nowych kont, zajmują runnery i opóźniają pilne wydanie. Niedostępność publicznego rejestru paczek albo obrazów może zatrzymać build w dniu, w którym trzeba wydać poprawkę bezpieczeństwa.

Elevation of privilege (granice 1 i 3). GITHUB_TOKEN z prawem zapisu — jeśli nie ograniczono go w ustawieniach ani w sekcji permissions workflow — pozwala skompromitowanemu krokowi zmienić kod albo opublikować wydanie. Self-hosted runner współdzielony przez repozytoria o różnym poziomie zaufania może zostać trwale przejęty przez kod z jednego z nich i wykorzystany przez kolejny job, także ten z dostępem do produkcji. Rola w chmurze nadana pipeline’owi „na wszelki wypadek” daje mu więcej, niż wymaga wdrożenie. Podobne błędy konfiguracji zebraliśmy w artykule GitHub Actions — 10 najczęstszych błędów konfiguracyjnych.

Krok 3. Co z tym zrobimy: decyzja i kontrola

Każde zapisane zagrożenie dostaje decyzję. Do wyboru są cztery odpowiedzi: zmniejszamy ryzyko kontrolą, usuwamy element, który je tworzy, przenosimy ryzyko, np. umową z dostawcą, albo świadomie je akceptujemy. Akceptacja też jest decyzją: wymaga uzasadnienia, właściciela i daty kolejnego przeglądu. Kilka godzin niedostępności publicznego rejestru paczek można zaakceptować, jeśli zespół zapisze, kto podjął tę decyzję i kiedy do niej wróci.

W naszym przykładzie wybrane decyzje wyglądają tak:

ZagrożenieDecyzja i kontrolaJak sprawdzamy, że działa
S: przejęty klucz do chmuryFederacja OIDC z tokenem ważnym tylko w czasie przebiegu; polityka zaufania sprawdza repozytorium, gałąź i środowiskoPróba uzyskania tokenu z innej gałęzi albo z forka kończy się odmową
T: przesunięty tag akcjiAkcje przypięte do pełnego SHA commita (albo zablokowane plikiem lockfile workflow, jeśli platforma to obsługuje); aktualizacje przez automatyczne pull requestySkan workflow, np. kontrolą Pinned-Dependencies w OpenSSF Scorecard, nie zgłasza nieprzypiętych akcji
T: podmiana obrazuPodpis obrazu po buildzie, weryfikacja podpisu przy wdrożeniu, wdrażanie po skrócie (digest) zamiast po taguWdrożenie niepodpisanego obrazu na stagingu zostaje odrzucone
R: ręczne wdrożeniaProdukcja tylko z pipeline’u, z wymaganym zatwierdzeniem środowiska i przechowywaną historią przebiegówDla losowo wybranego wydania odtwarzamy commit, pull request, osobę zatwierdzającą i przebieg
I: sekret w logach i w przebiegach z forkówBrak sekretów w przebiegach z forków, skanowanie sekretów w repozytorium, rejestrowanie wartości pochodnych jako sekretówTestowy sekret-kanarek nie pojawia się w logach
D: zajęte runnery, niedostępny rejestrLimity równoległości i czasu jobów, zatwierdzanie przebiegów od nowych kont, pamięć podręczna albo proxy dla paczek i obrazówPrzegląd ustawień i próbny build przy wyłączonym dostępie do publicznego rejestru
E: szeroki GITHUB_TOKEN, współdzielone runneryDomyślnie contents: read, szersze uprawnienia tylko w jobie, który ich wymaga; efemeryczne runnery dla wdrożeń; rola w chmurze ograniczona do wdrożeniaSkan workflow (kontrola Token-Permissions w OpenSSF Scorecard) i przegląd ról w chmurze

Prawa kolumna jest równie ważna jak środkowa. Dopóki nikt nie sprawdził działania kontroli, jest ona tylko założeniem.

Krok 4. Czy zrobiliśmy to dobrze: sprawdzenie

Zapis decyzji pokazuje, co zespół postanowił. Dowodem, że zabezpieczenie działa, jest dopiero wynik jego sprawdzenia. Dlatego przy każdym zagrożeniu trzymamy oba elementy osobno:

Zagrożenie:  T-2, podmiana obrazu między buildem a wdrożeniem
Granica:     4 (rejestr -> klaster produkcyjny)
Decyzja:     zmniejszenie ryzyka
Kontrola:    podpis obrazu (cosign) w jobie build, weryfikacja
             podpisu przez politykę admission w klastrze
Właściciel:  zespół platformy
Sprawdzenie: próba wdrożenia niepodpisanego obrazu na stagingu
             odrzucona; wynik i data dołączone do zadania
Status:      wdrożone i sprawdzone

Podpisywanie i weryfikację obrazów opisujemy szerzej w artykule Integralność artefaktów w DevOps.

Sprawdzamy też sam model. Czy diagram nadal odpowiada plikom workflow? Czy każda granica przeszła przez wszystkie kategorie? Czy zaakceptowane zagrożenia mają aktualne daty przeglądu? Takie zapisy przydają się później przy audycie i w ankietach bezpieczeństwa klientów: pokazują, jakie ryzyka rozważono, kto podjął decyzję i jak sprawdzono działanie kontroli.

Kiedy wracamy do modelu

Model pipeline’u wymaga aktualizacji, gdy zmienia się coś, co dotyka granic zaufania:

Najprościej trzymać model w repozytorium, obok katalogu .github/workflows/, np. jako plik Markdown z diagramem i tabelą decyzji. Plik CODEOWNERS może kierować każdą zmianę workflow do osoby, która zna model, a szablon pull requestu — pytać, czy zmiana dotyka którejś z pięciu granic. Aktualizacja dotyczy wtedy zwykle jednej granicy i kilku wierszy tabeli, a historia modelu biegnie razem z historią pipeline’u.

Co zostaje po modelowaniu

Po przejściu przez cztery pytania zespół ma:

Pipeline to dobre miejsce na pierwszy model zagrożeń w firmie: ma niewiele elementów, w całości opisują go pliki konfiguracyjne, a niemal każdy jego element ma drogę do produkcji. Tę samą metodę — diagram, STRIDE na każdej granicy, decyzja, kontrola i sprawdzenie — można potem zastosować do aplikacji.

Źródła

Modelowanie zagrożeńSTRIDEPipeline SecurityPodstawy