“在近一个月的测试期间,深信服XDR平台共产生1615875443个安全日志,聚合而成278802个安全告警,最终生成94个安全事件,告警削减效率提升2965倍。每位安全运营人员每天仅能处理500条告警,以往10+人花费10+天都处理不完,现在1人1天即可高质量研判完所有安全事件,安全告警结合威胁定性,可以将非病毒和扫描类的研判完毕。”
当安全工程师充满底气地汇报出这组数据,事实证明,“深信服XDR平台切切实实为用户带来安全效果”,不是一句“空谈”。
不仅如此,对比相同一台态势感知在同一天的告警数量,深信服XDR的告警削减比例接近10倍。
点击查看每条告警,都由大量日志聚合而成
就在一个月前,该用户还深陷苦恼中:
安全设备都买了,但没感受到效果
以往的态势感知与防火墙建设碎片化,设备分开运营,病毒、木马、挖矿告警太多,且大都是业务误报触发的告警,难以快速发现定向攻击。
告警研判分析难度大,效率低下
现网有各类厂商的不同安全设备,各个产品的告警非常分散,单独处理对应告警分析难度高且工作量过大,导致安全响应效率低下。
深信服XDR平台上线后,通过网端一手遥测数据聚合分析能力,大幅削减来源于EDR和态势感知(含第三方软件)的海量告警,并能完整还原出攻击故事线,精准狙击攻击者的入口点及影响面。
安全效果直观可视,用户都忍不住好奇:到底是怎么做到的?
首先了解下,深信服XDR所定义的安全事件:
收集多源遥测数据,编织以往零散割裂的信息,形成用户需要优先关注、能体现攻击全貌的安全事件。
能够深度理解安全日志的内容,在更细粒度层面做智能化处理。
从遥测数据、安全日志、安全告警,到深信服XDR所定义的安全事件,这背后依赖海量数据的高性能流式分析架构结合列式存储,也是XDR与以往SIEM类产品的关键差异。
从架构来看,一个或多个安全日志可能会经过聚合、去重、消减、过滤、融合等处理机制,实现告警降噪的效果。
接下来,我们详细讲讲,深信服XDR如何实现极致降噪?
三重降噪方式,效果直观可视
降噪的本质就是压缩有效信息,并基于更多有效的数据,提供丰富的上下文举证。
XDR极致降噪的方式,包括网络侧降噪、终端侧降噪和网端关联降噪。
1.网络侧降噪
多对一降噪:当黑客采用多个源IP,暴破同一个资产,无论持续了多长时间、成功与否,深信服XDR只需要给用户呈现一条事件或告警,在首次生成告警后,在该告警详情里持续更新。
一对多降噪:当内网某一个资产沦陷后,黑客会横向扫描多个内网资产,无论扫描多少资产、利用多少扫描方式,深信服XDR通过时间线关联,仅生成一条横向扫描的安全事件。
一对一降噪:黑客持续攻击一个资产,过程中可能利用了多种类似攻击手法,比如利用同一个漏洞,执行了多个不同的恶意命令,深信服XDR可以根据命中的安全日志,持续聚合成一条告警。
跨阶段关联降噪:将早期dnslog、WebShell上传+通信、内网横向等攻击,跨阶段关联在一起,深信服XDR以自动化方式,聚合成一个完整的安全事件。
2. 终端侧降噪
传统病毒查杀降噪:针对传统病毒类告警,可以提取出病毒路径、病毒名称、病毒hash等关键因子,按hash唯一和类别唯一两种模式,深信服XDR将同一病毒产生的告警聚合到一个安全事件中。
高级威胁降噪:针对例如无文件攻击的高级威胁,深信服XDR按时间顺序记录用户环境中发生的一切行为,将所有遥测数据串成一个图。基于溯源图通过时间、资产、网络、情报等多因子进行关联,选取与威胁相关的实体和关系作为点和边,形成一张小型威胁图,最终形成可视化的攻击故事链。
传统病毒查杀+高级威胁降噪:如果黑客进行一系列高级威胁攻击行为后,仍然落盘了一个可疑文件,被EDR杀毒检出,深信服XDR会将杀毒告警在进程链进行匹配,意味着传统病毒查杀和高级威胁降噪合二为一。
3. 网端关联降噪
根据网端发生“相同事情”的关联性,网端关联分为强关联、逻辑关联和弱关联,关联强度越强,泛化能力就越弱。
深信服XDR网端关联引擎,可以自动高效地串联起多维度安全信息,不仅提高对未知威胁、隐蔽攻击的检出率,还通过充分的溯源举证,大幅提高安全事件的准确度,帮助安全团队能做判断,敢做判断,高效处置。
值得强调的是,这一切都是自动化完成的。
第三方数据收集,平台开放亦可生长
需要圈重点的是,降噪能力在不同厂商设备间相通,深信服XDR平台能够收集来自多家第三方厂商的数据源。
深信服XDR将语义识别引擎和多级关联分析引擎创新结合,实现自动化的理解遥测数据和检测日志,“左手翻译、右手聚合”,持续将不同设备对同一次攻击产生的多条告警合为一条告警,将同一次攻击在不同阶段发起的多次尝试融为一个事件。
深信服XDR平台通过内置告警降噪、智能对抗、威胁定性等能力属性,结合安全GPT等AI技术持续赋能,提升威胁对抗的效果和效率,构建安全运营的全新范式,实现「秒级闭环,百倍提效,千万级降本」的效率和能力跃升,助力每一位用户「安全领先一步」。
（免责声明：本网站内容主要来自原创、合作伙伴供稿和第三方自媒体作者投稿，凡在本网站出现的信息，均仅供参考。本网站将尽力确保所提供信息的准确性及可靠性，但不保证有关资料的准确性及可靠性，读者在使用前请进一步核实，并对任何自主决定的行为负责。本网站对有关资料所引致的错误、不确或遗漏，概不负任何法律责任。
任何单位或个人认为本网站中的网页或链接内容可能涉嫌侵犯其知识产权或存在不实内容时，应及时向本网站提出书面权利通知或不实情况说明，并提供身份证明、权属证明及详细侵权或不实情况证明。本网站在收到上述法律文件后，将会依法尽快联系相关文章源头核实，沟通删除相关内容或断开相关链接。 ）
