態(tài)勢(shì)感知安全分析過程中,通常由前端探針上報(bào)安全事件,如若探針配置不當(dāng),則會(huì)出現(xiàn)大量錯(cuò)誤信息。平臺(tái)分析這些信息后,自然很容易造成安全事件的誤報(bào),不僅妨礙安全運(yùn)營(yíng)團(tuán)隊(duì)的正常判斷,還需要耗費(fèi)大量精力進(jìn)行二次排查處理。一些不成熟的態(tài)勢(shì)感知平臺(tái)往往還會(huì)忽略事件處理后的及時(shí)反饋動(dòng)作,安全事件分析系統(tǒng)無法從過去的誤報(bào)中吸取經(jīng)驗(yàn),造成誤報(bào)事件依然誤報(bào)的場(chǎng)面。
為了應(yīng)對(duì)以上誤報(bào)難題,新華三態(tài)勢(shì)感知團(tuán)隊(duì)基于機(jī)器學(xué)習(xí)算法,研發(fā)出灰色事件分析處置引擎,能夠降低安全事件誤報(bào)率的同時(shí),不斷優(yōu)化自學(xué)習(xí)處理能力,做到有效識(shí)別誤報(bào),快速剔除誤報(bào),準(zhǔn)確定位真實(shí)安全威脅,提高安全運(yùn)維效率。
應(yīng)用原理
態(tài)勢(shì)感知灰色事件分析處置引擎核心目是輔助安全運(yùn)營(yíng)團(tuán)隊(duì)對(duì)安全事件進(jìn)行誤報(bào)分析和自動(dòng)化處置,通過對(duì)態(tài)勢(shì)感知平臺(tái)中安全事件狀態(tài)的“未處理”、“已處理”、“忽略(自動(dòng)忽略、手動(dòng)忽略)”的數(shù)據(jù)進(jìn)行分類分組,然后通過灰色事件分析模型進(jìn)行分析,智能分析出其中的灰色事件,結(jié)合處置經(jīng)驗(yàn),進(jìn)行準(zhǔn)確判定。主要步驟如下:
1)安全事件數(shù)據(jù)分類器,根據(jù)不同安全事件場(chǎng)景,對(duì)安全事件數(shù)據(jù)進(jìn)行分類;
2)灰色事件判定模型,基于新華三云端運(yùn)維平臺(tái)海量數(shù)據(jù),訓(xùn)練AI模型,得出機(jī)器學(xué)習(xí)判定的經(jīng)驗(yàn)閾值參數(shù),對(duì)安全事件進(jìn)行判定;
3)用戶處置判定模型,基于人工對(duì)安全事件進(jìn)行的處置記錄歷史知識(shí),對(duì)安全事件進(jìn)行判定;
4)對(duì)安全事件中的灰色事件自動(dòng)化處置,誤報(bào)事件會(huì)自動(dòng)處置為自動(dòng)忽略;非誤報(bào)事件基于判定模型會(huì)進(jìn)行狀態(tài)重新判別。
灰色事件分析處置流程圖
實(shí)際案例
某態(tài)勢(shì)感知平臺(tái)用戶,通過灰色事件分析處理技術(shù),結(jié)合日常的處置經(jīng)驗(yàn),快速自動(dòng)識(shí)別誤報(bào)事件,有效提升了真實(shí)安全事件的處置效率。
現(xiàn)場(chǎng)平臺(tái)上有3684條安全事件,經(jīng)過態(tài)勢(shì)感知灰色事件分析引擎,利用泊松分布和C段分布算法分析,識(shí)別出1235條灰色事件,其中源為內(nèi)網(wǎng)單一源目的事件為512條、源為內(nèi)網(wǎng)的同一目的多源安全事件為358條、源為外網(wǎng)的非特殊事件為365條,總占比33.5%。
態(tài)勢(shì)感知平臺(tái)上安全事件會(huì)對(duì)灰色引擎判定的安全事件自動(dòng)處理:
通過實(shí)際應(yīng)用,驗(yàn)證了勢(shì)感知灰色事件分析處理引擎能夠有效提高安全運(yùn)營(yíng)人員對(duì)安全事件的處置效率,并豐富安全運(yùn)營(yíng)人員處置安全事件的歷史經(jīng)驗(yàn)知識(shí),減少因事件誤報(bào)造成的多余人力資源投入,提高運(yùn)營(yíng)效率。
安全牛評(píng)
安全事件誤報(bào)一直是讓安全管理者頭疼的問題,傳統(tǒng)的通過白名單或者基線策略降噪方式采用的是靜態(tài)機(jī)制,可能會(huì)造成安全事件漏報(bào)或漏處理的情況。基于人工分析的安全事件策略更新則會(huì)帶來龐大的工作量,且存在時(shí)延的問題。因此,自適應(yīng)的機(jī)器學(xué)習(xí)算法將成為未來降低誤報(bào)率的發(fā)展趨勢(shì)。
我們認(rèn)為,新華三灰色事件處理機(jī)器學(xué)習(xí)算法的特點(diǎn)在于可以通過實(shí)際案例經(jīng)驗(yàn)為用戶提供針對(duì)性的降噪模型,另一方面通過其云端運(yùn)維平臺(tái)的海量數(shù)據(jù),可以對(duì)模型進(jìn)行全方位訓(xùn)練,能夠幫助用戶降低安全事件的誤報(bào)率。