首页 行业报告下载文章正文

网络安全先进技术与应用发展报告:用户实体行为分析技术(51页)

行业报告下载 2020-07-24 1 管理员

通过对比安全新旧范式,可以看到 UEBA 具有明显的独特价值。 UEBA 可以给安全团队带来独特的视角和能力,即通过行为层面的数 据源以及各种高级分析,增强现有安全工具能力,提高风险可视性, 弥补了安全运营中长久以来缺失的、极度有价值的视角,并提高了 现有安全工具的投资回报率。 UEBA 比现有的分散工具具有更大的风险可视性,尤其是经过评 分排序的威胁线索减少了噪音和误报告警。通过直观的点击式界面 访问上下文和原始事件,从而加速了事件调查和根本原因分析,缩 短了调查时间,降低了事件调查人数以及与雇用外部顾问相关的成 本。

UEBA 无需设定阈值,让安全团队更有效率。引入全时空上下文, 结合历史基线和群组对比,将告警呈现在完整的全时空上下文中, 无需安全团队浪费时间手动关联,降低验证、调查、响应的时间; 当攻击发生时,分析引擎可以连接起事件、实体、异常等,安全人 员可以看清全貌,快速进行验证和事故响应;促使安全团队聚焦在 真实风险和确切威胁,提升威胁检测的效率。 4.降低成本 UEBA 通过聚合异常,相比 SIEM、DLP 等工具,大量降低总体告 警量和误报告警量,从而降低安全运营工作负载,提升投资回报率 (ROI);通过缩短检测时间、增加准确性,降低安全管理成本和复 杂性,降低安全运营成本;无监督、半监督机器学习让安全分析可 以自动化构建行为基线,无需复杂的阈值设置、规则策略定制,缓 解人员短缺问题;通过追踪溯源及取证,简化事故调查和根因分析, 缩短调查时间,降低每事故耗费的调查工时,以及外部咨询开销。

异常检测关注发现统计指标异常、时序异常、序列异常、模式 异常等异常信号,采用的技术包括孤立森林、K 均值聚类、时序分析、 异常检测、变点检测等传统机器学习算法。其中,基于孤立森林的 异常检测效果图如图 7 所示。现代的异常检测也利用深度学习技术, 包括基于变分自编码器(VAE)的深度表征重建异常检测、基于循环 神经网络(RNN)和长短时记忆网络(LSTM)的序列深度网络异常检 测、图神经网络(GNN)的模式异常检测等。针对标记数据缺乏的现 状,某些 UEBA 系统能够采用主动学习技术(Active Learning)、自 学习(Self Learning),充分发掘标记数据和无标记数据的价值。

网络安全先进技术与应用发展报告:用户实体行为分析技术(51页)

文件下载
资源名称:网络安全先进技术与应用发展报告:用户实体行为分析技术(51页)


标签: 安防|安全|监控

站点地图   关于我们   意见反馈   免责声明     京ICP备12009579号

分享:

支付宝

微信