实验 00：立项与威胁建模

本实验即综合实践项目（capstone）M0。你将从零立项，并对派生的种子工程完成第一份威胁建模 + 风险登记表。这是整学期工程的「地基」，后续 M1-M7 都在它之上演进。

1. 实验目标

• 能力交付（绑定簇①·L2）：
  1. 能够派生种子工程并建立可演进的项目仓库骨架。
  2. 能够对一个具体 Web 应用做资产清单 + CIA 标注。
  3. 能够用 STRIDE 对系统威胁进行穷举式建模。
  4. 能够用 CVSS 3.1 对识别出的风险打分，并产出一份风险登记表。

完成本实验后，在里程碑报告中对照能力框架自评：点亮 簇①·L1（认知）+ 簇①·L2（实践）。

2. 环境准备

• 本地： Windows 10/11（推荐 WSL 2 Ubuntu 22.04）或 macOS，已安装 Git、Python 3.10+。

• 仓库： 课程 GitLab。每个学生在课程 GitLab Group 下派生 capstone/seed/ 为自己的私有仓库（命名建议 cuc-ns-<学号>）。

• Git 规范（重要）：本学期用「分支 + MR」标记里程碑，不打 tag。M0 流程 = 从 main 切 milestone/m0 → 完成下述产物 → push → 开 MR（源=milestone/m0、目标=main）→ @ 助教 → 保持 Open。完整步骤见 Git 操作指南。

• 种子工程最小可运行：

  git clone <你的 GitLab 仓库地址>
  cd cuc-ns-<学号>
  python3 -m venv .venv && source .venv/bin/activate
  pip install -r requirements.txt
  python app.py          # 监听 127.0.0.1:5000

• 学术诚信： 所有攻击实验仅在你派生的靶场、授权环境内进行；课程不教授编写恶意代码。本实验只做建模与评分，不写任何攻击载荷（payload）（攻击在 M3）。

种子应用 app.py 故意预留了攻击面（弱口令、SQL 拼接、智能体（Agent）端点），它们就是本次威胁建模的真实素材。

3. 任务清单

任务 A：技术选型 + 仓库骨架

1. 派生种子工程到课程 GitLab，克隆到本地，确认 python app.py 可启动并访问 /login。
2. 在仓库根创建 docs/ 目录，本实验的所有产物提交到 docs/m0/ 下。
3. 在 docs/m0/tech-stack.md 记录技术选型：
   • 运行时（Python 版本）、Web 框架（Flask）、数据库（SQLite）、部署目标（本机/容器）。
   • 你计划在 M6 接入的 LLM 提供方与接入方式（API/本地推理）——先写意向，后续可改。
4. 建立里程碑节奏：在仓库根 README.md 追加一节「里程碑进度」，列出 M0-M7 及计划截止日期。

交付物：可运行的仓库 + docs/m0/tech-stack.md + 更新后的 README.md。

任务 B：资产清单 + CIA 标注

阅读 app.py 全文，识别系统中的信息资产，为每个资产标注其最受关注的 CIA 属性。

在 docs/m0/assets.md 产出下表（至少覆盖以下资产，可补充）：

提示：结合种子代码中的 USERS、session、orders、secret_key、/api/agent、AUDIT 逐一对照。

任务 C：STRIDE 威胁建模

对种子工程的关键组件/数据流逐一过 STRIDE 六类，不漏威胁。建议建模对象至少包含：

• /login 端点（口令校验、会话签发）
• /orders 端点（带 user 参数的 SQL 拼接）
• /api/agent 端点（LLM + 工具调用）
• call_tool 护栏（白名单/黑名单/人在回路）
• SQLite 数据文件 app.db

在 docs/m0/stride.md 产出下表（每个对象至少识别 2-3 条真实威胁）：

严格要求：威胁必须对应到 app.py 的具体代码或部署事实，禁止泛泛而谈。每条至少给出「代码位置」或「触发条件」。

任务 D：风险登记表（含 CVSS 评分）

为任务 C 识别出的高优先级威胁（建议至少 5 条）打 CVSS 3.1 Base 分，产出 docs/m0/risk-register.md：

评分工具：NVD CVSS 3.1 计算器。等级划分：0.1-3.9 低 / 4.0-6.9 中 / 7.0-8.9 高 / 9.0-10.0 严重。 CVSS 完整推导见 https://github.com/c4pr1c3/cuc-ns-ppt/blob/master/chap0x02.md。 R5 是贯穿范式「可观测与可验证的安全」的 M0 伏笔：审计日志若不可信，一切防御有效性都无从证明（M5 闭环处置）。

AI 助教适配注意事项

本里程碑由 AI 助教（ns4ai-review）按 §4 量规做确定性证据采集 + LLM 档位裁定。提交时注意：

• 常见扣分：STRIDE 漏类（必须六类逐项过）、CVSS 向量与分数不自洽、威胁不挂 app.py 代码位置（泛泛而谈）、CIA 一刀切全标 C+I+A、无 report.md 自评矩阵。
• 授权红线：仅对自己派生的 app.py 建模；不得对真实/第三方系统做任何探测。
• AI 双向：鼓励用国产大模型（如 deepseek-v4-flash）辅助起草建模/资产识别，但须在 report.md 注明用了哪些 AI 辅助 + 人工复核了什么；本课程禁止选用国外大模型（GPT/Claude/Gemini）。
• 自评矩阵：在 report.md 逐项对照簇①·L1/L2，每项附证据路径，「无虚点亮」。

4. 交付与量规

在仓库 docs/m0/ 下提交以下文件——在 milestone/m0 分支上完成、push、开 MR @ 助教（详见 Git 操作指南）：

docs/m0/
├── tech-stack.md        # 任务 A：技术选型 + 里程碑节奏
├── assets.md            # 任务 B：资产清单 + CIA 标注
├── stride.md            # 任务 C：STRIDE 威胁建模
└── risk-register.md     # 任务 D：风险登记表（含 CVSS）

里程碑报告（docs/m0/report.md）需包含：做了什么 / 点亮哪些能力簇×级 / 踩到什么坑 / 对后续 M 的建议。

评分量规（绑定簇①·L2，满分 100）：

5. 能力自评

完成本实验后，在 docs/m0/report.md 末尾填写能力自评（对照 capability-framework.md）：

自评须与作品一致；M7 综合收口时会回看这份自评矩阵。下一单元 U1（M1 安全基线）将把这里识别出的认证/会话/口令风险落到代码。