Tối Ưu Hóa Hiệu Quả Phát Hiện Mối Đe Dọa
Từ khi thành lập vào năm 2015, Stellar Cyber luôn tiên phong trong việc ứng dụng AI vào security operations (SecOps). Sứ mệnh của Stellar Cyber là làm cho quá trình phát hiện và ứng phó trước mối đe dọa trở nên dễ tiếp cận hơn, đồng thời đảm bảo rằng tất cả dữ liệu, bất kể nguồn gốc, đều có thể được tận dụng theo thời gian thực. Tầm nhìn này đã thành hình thành nền tảng Open Extended Detection and Response (Open XDR) ngày nay.
Giải pháp Open XDR của Stellar Cyber có thể thu thập dữ liệu bảo mật từ bất kỳ nguồn nào, giúp đảm bảo khả năng quan sát toàn diện và phát hiện mối đe dọa mạnh mẽ. Bằng cách tận dụng unsupervised machine learning, giải pháp này cải thiện mô hình phát hiện để xác định các hành vi phức tạp và bất thường mà các phương pháp truyền thống có thể bỏ lỡ. Đồng thời, supervised machine learning giúp phát hiện các mối đe dọa có mẫu hành vi đã biết, chẳng hạn như Domain Generated Algorithms (DGA). Những phương pháp này đặc biệt quan trọng trong bối cảnh các cuộc tấn công đa giai đoạn ngày càng tinh vi.
Nâng Cao Hiệu Suất Hoạt Động với Correlation, GraphML và Case-Centric Management
Tận Dụng Similarity và Correlation
GraphML có khả năng nhận diện các điểm tương đồng và mối liên kết giữa nhiều thực thể khác nhau trong mạng của bạn. Việc lập bản đồ các mối quan hệ giữa các điểm dữ liệu giúp phát hiện những mẫu mà con người có thể bỏ sót. Ví dụ:
- User Entities: Session IDs, Security Identifiers (SIDs), User Principal Names (UPNs), giúp phát hiện hành vi đáng ngờ của người dùng.
- Device Entities: Device IDs, file names, folders, registry keys – giúp phát hiện các hoạt động độc hại trên nhiều thiết bị.
- Email Entities: Địa chỉ gửi/nhận, URLs, tệp đính kèm – giúp SOC analyst phát hiện các cuộc tấn công phishing.
Phân Tích Nhân Quả Qua Biểu Diễn Dữ Liệu Dạng Đồ Thị
GraphML không chỉ giúp correlation mà còn hỗ trợ phân tích nhân quả (causation analysis) – một yếu tố quan trọng trong việc hiểu các cuộc tấn công đa giai đoạn. Ví dụ, một email phishing có thể dẫn đến việc xâm nhập vào một endpoint, sau đó là lateral movement trong hệ thống.
Bằng cách hiển thị mối quan hệ giữa các sự kiện, SOC analyst có thể truy vết tiến trình của một cuộc tấn công và xử lý chúng dưới dạng một case tổng thể thay vì các cảnh báo rời rạc.
Ứng Dụng Thực Tế
Lợi ích từ GraphML:
- Correlation tự động các cảnh báo: Giúp xây dựng một câu chuyện toàn diện mà không cần can thiệp thủ công.
- Góc nhìn toàn diện về các vector tấn công: Minh họa mối quan hệ giữa các cảnh báo, giúp SOC analyst dễ dàng truy vết mối đe dọa.
- Cải thiện hiệu suất xử lý: Giảm tải số lượng cảnh báo riêng lẻ, giúp analyst tập trung vào các mối đe dọa quan trọng nhất.
Tăng Tốc Điều Tra Mối Đe Dọa với Generative AI
Stellar Cyber cũng tập trung vào việc tối ưu hóa trải nghiệm người dùng thông qua Generative AI. Hãy tưởng tượng một chatbot giúp SOC analyst truy vấn dữ liệu và điều tra các mối đe dọa bằng ngôn ngữ tự nhiên – tương tự như ChatGPT nhưng được thiết kế riêng cho security investigations.
Ví dụ, analyst có thể đặt câu hỏi: “Xác định các hành vi bất thường của quản trị viên hệ thống ngoài giờ làm việc tuần trước.” Hệ thống sẽ tự động dịch yêu cầu này thành một truy vấn chính xác, áp dụng các tiêu chí cần thiết như loại sự kiện, quyền người dùng và khung thời gian. Ngoài ra, analyst có thể yêu cầu hệ thống tạo biểu đồ như: “Hiển thị histogram của 10 người dùng nhận nhiều email phishing nhất.”
