1. 異常建模:使用機器學(xué)習模型和異常檢測來(lái)識別異常行為,比如用戶(hù)從無(wú)法識別的IP地址訪(fǎng)問(wèn)網(wǎng)絡(luò ),用戶(hù)從與其角色無(wú)關(guān)的敏感文檔存儲庫下載大量知識產(chǎn)權(IP),或者流量從組織沒(méi)有業(yè)務(wù)往來(lái)的國家或地區的服務(wù)器發(fā)來(lái)。
2. 威脅建模:使用來(lái)自威脅情報源的數據和違反規則/策略的情況,尋找已知的惡意行為。這可以快速輕松地篩選出簡(jiǎn)單的惡意軟件。
3. 訪(fǎng)問(wèn)異常建模:確定用戶(hù)是否在訪(fǎng)問(wèn)不尋常的資產(chǎn)或不應該訪(fǎng)問(wèn)的資產(chǎn)。這需要提取用戶(hù)角色、訪(fǎng)問(wèn)權限及/或身份證件方面的數據。
4. 身份風(fēng)險剖析:根據人力資源數據、觀(guān)察名單或外部風(fēng)險指標,確定事件所涉及的用戶(hù)風(fēng)險級別。例如,最近沒(méi)有被公司考慮升職的員工也許更有可能對公司懷恨在心,企圖進(jìn)行報復。
5. 數據分類(lèi):標記與事件有關(guān)的所有相關(guān)數據,如涉及的事件、網(wǎng)段、資產(chǎn)或賬戶(hù),為安全團隊提供上下文信息。
行為風(fēng)險分析,通常需要收集大量數據,并基于該數據搭建訓練模型,以查找異常行為和高風(fēng)險行為。這種方法通常需要為正常的網(wǎng)絡(luò )行為設定基準,通過(guò)機器學(xué)習等模型來(lái)檢查網(wǎng)絡(luò )活動(dòng)并計算風(fēng)險評分,根據風(fēng)險評分查看異常情況,最終確定行為風(fēng)險級別。這有助于減少誤報并幫助安全團隊確定風(fēng)險優(yōu)先級,從而將安全團隊的工作量減少到更易于管理的水平。