Delen via

Afwijkingen gedetecteerd door de Machine Learning-engine van Microsoft Sentinel

  • Artikel

In dit artikel worden de afwijkingen vermeld die microsoft Sentinel detecteert met behulp van verschillende machine learning-modellen.

Anomaliedetectie werkt door het gedrag van gebruikers in een omgeving gedurende een bepaalde periode te analyseren en een basislijn van legitieme activiteit samen te stellen. Zodra de basislijn is vastgesteld, wordt elke activiteit buiten de normale parameters beschouwd als afwijkend en daarom verdacht.

Microsoft Sentinel maakt gebruik van twee verschillende modellen om basislijnen te maken en afwijkingen te detecteren.

Notitie

De volgende anomaliedetecties worden vanaf 26 maart 2024 stopgezet vanwege een lage kwaliteit van de resultaten:

  • Domeinreputatie Palo Alto anomalie
  • Aanmeldingen met meerdere regio's in één dag via Palo Alto GlobalProtect

Belangrijk

Microsoft Sentinel is algemeen beschikbaar binnen het geïntegreerde beveiligingsbewerkingsplatform van Microsoft in de Microsoft Defender-portal. Voor preview is Microsoft Sentinel beschikbaar in de Defender-portal zonder Microsoft Defender XDR of een E5-licentie. Zie Microsoft Sentinel in de Microsoft Defender-portal voor meer informatie.

UEBA-afwijkingen

Sentinel UEBA detecteert afwijkingen op basis van dynamische basislijnen die zijn gemaakt voor elke entiteit in verschillende gegevensinvoeren. Het basislijngedrag van elke entiteit wordt ingesteld op basis van zijn eigen historische activiteiten, die van de peers en die van de organisatie als geheel. Afwijkingen kunnen worden geactiveerd door de correlatie van verschillende kenmerken, zoals actietype, geolocatie, apparaat, resource, ISP en meer.

U moet de UEBA-functie inschakelen voor UEBA-afwijkingen die moeten worden gedetecteerd.

Afwijkende accounttoegang verwijderen

Beschrijving: Een aanvaller kan de beschikbaarheid van systeem- en netwerkbronnen onderbreken door de toegang te blokkeren tot accounts die worden gebruikt door legitieme gebruikers. De aanvaller kan een account verwijderen, vergrendelen of bewerken (bijvoorbeeld door de referenties te wijzigen) om de toegang tot het account te verwijderen.

Kenmerk Weergegeven als
Afwijkingstype: UEBA
Gegevensbronnen: Azure-activiteitenlogboeken
MITRE ATT&CK-tactieken: Impact
MITRE ATT&CK-technieken: T1531 - Accounttoegang verwijderen
Activiteit: Microsoft.Authorization/roleAssignments/delete
Uitloggen

Terug naar de lijst | met UEBA-afwijkingen terug naar boven

Afwijkend account maken

Beschrijving: Kwaadwillende personen kunnen een account maken om de toegang tot doelsystemen te behouden. Met voldoende toegangsniveau kan het maken van dergelijke accounts worden gebruikt om secundaire referenties tot stand te brengen zonder dat permanente hulpprogramma's voor externe toegang op het systeem moeten worden geïmplementeerd.

Kenmerk Weergegeven als
Afwijkingstype: UEBA
Gegevensbronnen: Microsoft Entra-auditlogboeken
MITRE ATT&CK-tactieken: Persistentie
MITRE ATT&CK-technieken: T1136 - Account maken
MITRE ATT&CK-subtechnieken: Cloudaccount
Activiteit: Core Directory/UserManagement/Add user

Terug naar de lijst | met UEBA-afwijkingen terug naar boven

Afwijkend account verwijderen

Beschrijving: Kwaadwillende personen kunnen de beschikbaarheid van systeem- en netwerkresources onderbreken door de toegang tot accounts die worden gebruikt door legitieme gebruikers te remmen. Accounts kunnen worden verwijderd, vergrendeld of gemanipuleerd (bijvoorbeeld gewijzigde referenties) om de toegang tot accounts te verwijderen.

Kenmerk Weergegeven als
Afwijkingstype: UEBA
Gegevensbronnen: Microsoft Entra-auditlogboeken
MITRE ATT&CK-tactieken: Impact
MITRE ATT&CK-technieken: T1531 - Accounttoegang verwijderen
Activiteit: Core Directory/UserManagement/Delete user
Basismap/apparaat/gebruiker verwijderen
Core Directory/UserManagement/Delete user

Terug naar de lijst | met UEBA-afwijkingen terug naar boven

Afwijkende accountmanipulatie

Beschrijving: Kwaadwillende personen kunnen accounts manipuleren om de toegang tot doelsystemen te behouden. Deze acties omvatten het toevoegen van nieuwe accounts aan groepen met hoge bevoegdheden. Dragonfly 2.0 heeft bijvoorbeeld nieuw gemaakte accounts toegevoegd aan de beheerdersgroep om verhoogde toegang te behouden. Met de onderstaande query wordt een uitvoer gegenereerd van alle high-Blast Radius-gebruikers die updategebruiker (naamwijziging) uitvoeren op bevoorrechte rol of gebruikers die voor het eerst gebruikers hebben gewijzigd.

Kenmerk Weergegeven als
Afwijkingstype: UEBA
Gegevensbronnen: Microsoft Entra-auditlogboeken
MITRE ATT&CK-tactieken: Persistentie
MITRE ATT&CK-technieken: T1098 - Accountmanipulatie
Activiteit: Core Directory/UserManagement/Update user

Terug naar de lijst | met UEBA-afwijkingen terug naar boven

Afwijkende uitvoering van code (UEBA)

Beschrijving: Kwaadwillende personen kunnen opdrachten en script-interpreters misbruiken om opdrachten, scripts of binaire bestanden uit te voeren. Deze interfaces en talen bieden manieren om te communiceren met computersystemen en zijn een algemene functie op veel verschillende platforms.

Kenmerk Weergegeven als
Afwijkingstype: UEBA
Gegevensbronnen: Azure-activiteitenlogboeken
MITRE ATT&CK-tactieken: Uitvoering
MITRE ATT&CK-technieken: T1059 - Command and Scripting Interpreter
MITRE ATT&CK-subtechnieken: Powershell
Activiteit: Microsoft.Compute/virtualMachines/runCommand/action

Terug naar de lijst | met UEBA-afwijkingen terug naar boven

Afwijkende gegevensvernietiging

Beschrijving: Kwaadwillende personen kunnen gegevens en bestanden op specifieke systemen of in grote aantallen op een netwerk vernietigen om de beschikbaarheid van systemen, services en netwerkbronnen te onderbreken. Gegevensvernietiging zal waarschijnlijk onherstelbaar worden gemaakt door forensische technieken door bestanden of gegevens op lokale en externe stations te overschrijven.

Kenmerk Weergegeven als
Afwijkingstype: UEBA
Gegevensbronnen: Azure-activiteitenlogboeken
MITRE ATT&CK-tactieken: Impact
MITRE ATT&CK-technieken: T1485 - Gegevensvernietiging
Activiteit: Microsoft.Compute/disks/delete
Microsoft.Compute/galleries/images/delete
Microsoft.Compute/hostGroups/delete
Microsoft.Compute/hostGroups/hosts/delete
Microsoft.Compute/images/delete
Microsoft.Compute/virtualMachines/delete
Microsoft.Compute/virtualMachineScaleSets/delete
Microsoft.Compute/virtualMachineScaleSets/virtualMachines/delete
Microsoft.Devices/digitalTwins/Delete
Microsoft.Devices/iotHubs/Delete
Microsoft.KeyVault/vaults/delete
Microsoft.Logic/integrationAccounts/delete
Microsoft.Logic/integrationAccounts/maps/delete
Microsoft.Logic/integrationAccounts/schema's/delete
Microsoft.Logic/integrationAccounts/partners/delete
Microsoft.Logic/integrationServiceEnvironments/delete
Microsoft.Logic/workflows/delete
Microsoft.Resources/subscriptions/resourceGroups/delete
Microsoft.Sql/instancePools/delete
Microsoft.Sql/managedInstances/delete
Microsoft.Sql/managedInstances/administrators/delete
Microsoft.Sql/managedInstances/databases/delete
Microsoft.Storage/storageAccounts/delete
Microsoft.Storage/storageAccounts/blobServices/containers/blobs/delete
Microsoft.Storage/storageAccounts/fileServices/fileshares/files/delete
Microsoft.Storage/storageAccounts/blobServices/containers/delete
Microsoft.AAD/domainServices/delete

Terug naar de lijst | met UEBA-afwijkingen terug naar boven

Afwijkende defensieve mechanismewijziging

Beschrijving: Kwaadwillende personen kunnen beveiligingshulpprogramma's uitschakelen om mogelijke detectie van hun hulpprogramma's en activiteiten te voorkomen.

Kenmerk Weergegeven als
Afwijkingstype: UEBA
Gegevensbronnen: Azure-activiteitenlogboeken
MITRE ATT&CK-tactieken: Verdedigingsontduiking
MITRE ATT&CK-technieken: T1562 - Verdediging tegen schade
MITRE ATT&CK-subtechnieken: Hulpprogramma's uitschakelen of wijzigen
Cloudfirewall uitschakelen of wijzigen
Activiteit: Microsoft.Sql/managedInstances/databases/vulnerabilityAssessments/rules/baselines/delete
Microsoft.Sql/managedInstances/databases/vulnerabilityAssessments/delete
Microsoft.Network/networkSecurityGroups/securityRules/delete
Microsoft.Network/networkSecurityGroups/delete
Microsoft.Network/ddosProtectionPlans/delete
Microsoft.Network/ApplicationGatewayWebApplicationFirewallPolicies/delete
Microsoft.Network/applicationSecurityGroups/delete
Microsoft.Authorization/policyAssignments/delete
Microsoft.Sql/servers/firewallRules/delete
Microsoft.Network/firewallPolicies/delete
Microsoft.Network/azurefirewalls/delete

Terug naar de lijst | met UEBA-afwijkingen terug naar boven

Afwijkende mislukte aanmelding

Beschrijving: Kwaadwillende personen zonder voorafgaande kennis van legitieme referenties in het systeem of de omgeving kunnen wachtwoorden raden om toegang tot accounts te proberen.

Kenmerk Weergegeven als
Afwijkingstype: UEBA
Gegevensbronnen: Aanmeldingslogboeken van Microsoft Entra
logboeken Windows-beveiliging
MITRE ATT&CK-tactieken: Referentietoegang
MITRE ATT&CK-technieken: T1110 - Brute Force
Activiteit: Microsoft Entra-id: Aanmeldingsactiviteit
Windows-beveiliging: Mislukte aanmelding (gebeurtenis-id 4625)

Terug naar de lijst | met UEBA-afwijkingen terug naar boven

Afwijkend wachtwoord opnieuw instellen

Beschrijving: Kwaadwillende personen kunnen de beschikbaarheid van systeem- en netwerkresources onderbreken door de toegang tot accounts die worden gebruikt door legitieme gebruikers te remmen. Accounts kunnen worden verwijderd, vergrendeld of gemanipuleerd (bijvoorbeeld gewijzigde referenties) om de toegang tot accounts te verwijderen.

Kenmerk Weergegeven als
Afwijkingstype: UEBA
Gegevensbronnen: Microsoft Entra-auditlogboeken
MITRE ATT&CK-tactieken: Impact
MITRE ATT&CK-technieken: T1531 - Accounttoegang verwijderen
Activiteit: Basismap/UserManagement/Gebruikerswachtwoord opnieuw instellen

Terug naar de lijst | met UEBA-afwijkingen terug naar boven

Afwijkende bevoegdheden verleend

Beschrijving: Adversaries kunnen door kwaadwillende gebruikers beheerde referenties toevoegen voor Azure-service-principals, naast bestaande legitieme referenties om permanente toegang tot slachtofferaccounts van Azure te behouden.

Kenmerk Weergegeven als
Afwijkingstype: UEBA
Gegevensbronnen: Microsoft Entra-auditlogboeken
MITRE ATT&CK-tactieken: Persistentie
MITRE ATT&CK-technieken: T1098 - Accountmanipulatie
MITRE ATT&CK-subtechnieken: Aanvullende Referenties voor Azure-service-principal
Activiteit: Accountinrichting/Toepassingsbeheer/App-roltoewijzing toevoegen aan service-principal

Terug naar de lijst | met UEBA-afwijkingen terug naar boven

Afwijkende aanmelding

Beschrijving: Kwaadwillende personen kunnen de referenties van een specifiek gebruikers- of serviceaccount stelen met behulp van referentietoegangstechnieken of referenties vastleggen eerder in hun verkenningsproces via social engineering voor het verkrijgen van persistentie.

Kenmerk Weergegeven als
Afwijkingstype: UEBA
Gegevensbronnen: Aanmeldingslogboeken van Microsoft Entra
logboeken Windows-beveiliging
MITRE ATT&CK-tactieken: Persistentie
MITRE ATT&CK-technieken: T1078 - Geldige accounts
Activiteit: Microsoft Entra-id: Aanmeldingsactiviteit
Windows-beveiliging: Geslaagde aanmelding (gebeurtenis-id 4624)

Terug naar de lijst | met UEBA-afwijkingen terug naar boven

Afwijkingen op basis van machine learning

De aanpasbare, op machine learning gebaseerde afwijkingen van Microsoft Sentinel kunnen afwijkend gedrag identificeren met analyseregelsjablonen die direct kunnen worden gebruikt. Hoewel afwijkingen niet noodzakelijkerwijs schadelijk of zelfs verdacht gedrag zelf aangeven, kunnen ze worden gebruikt om detecties, onderzoeken en opsporing van bedreigingen te verbeteren.

Afwijkende Microsoft Entra-aanmeldingssessies

Beschrijving: Het machine learning-model groeperen de aanmeldingslogboeken van Microsoft Entra per gebruiker. Het model wordt getraind op de afgelopen 6 dagen na het aanmelden van gebruikers. Dit duidt op afwijkende aanmeldingssessies van gebruikers in de afgelopen dag.

Kenmerk Weergegeven als
Afwijkingstype: Aanpasbare machine learning
Gegevensbronnen: Aanmeldingslogboeken van Microsoft Entra
MITRE ATT&CK-tactieken: Initial Access
MITRE ATT&CK-technieken: T1078 - Geldige accounts
T1566 - Phishing
T1133 - Externe externe services

Terug naar de lijst | met afwijkingen op basis van Machine Learning terug naar boven

Afwijkende Azure-bewerkingen

Beschrijving: Dit detectie-algoritme verzamelt 21 dagen aan gegevens over Azure-bewerkingen die per gebruiker zijn gegroepeerd om dit ML-model te trainen. Het algoritme genereert vervolgens afwijkingen in het geval van gebruikers die reeksen bewerkingen hebben uitgevoerd die ongebruikelijk zijn in hun werkruimten. Het getrainde ML-model beoordeelt de bewerkingen die door de gebruiker worden uitgevoerd en beschouwt afwijkende bewerkingen waarvan de score groter is dan de gedefinieerde drempelwaarde.

Kenmerk Weergegeven als
Afwijkingstype: Aanpasbare machine learning
Gegevensbronnen: Azure-activiteitenlogboeken
MITRE ATT&CK-tactieken: Initial Access
MITRE ATT&CK-technieken: T1190 - Openbare toepassing misbruiken

Terug naar de lijst | met afwijkingen op basis van Machine Learning terug naar boven

Afwijkende uitvoering van code

Beschrijving: Aanvallers kunnen opdrachten en script interpreters misbruiken om opdrachten, scripts of binaire bestanden uit te voeren. Deze interfaces en talen bieden manieren om te communiceren met computersystemen en zijn een algemene functie op veel verschillende platforms.

Kenmerk Weergegeven als
Afwijkingstype: Aanpasbare machine learning
Gegevensbronnen: Azure-activiteitenlogboeken
MITRE ATT&CK-tactieken: Uitvoering
MITRE ATT&CK-technieken: T1059 - Command and Scripting Interpreter

Terug naar de lijst | met afwijkingen op basis van Machine Learning terug naar boven

Afwijkend lokaal account maken

Beschrijving: Dit algoritme detecteert afwijkend lokaal account maken op Windows-systemen. Aanvallers kunnen lokale accounts maken om de toegang tot doelsystemen te behouden. Dit algoritme analyseert de activiteiten voor het maken van lokale accounts gedurende de afgelopen 14 dagen door gebruikers. Er wordt gezocht naar vergelijkbare activiteit op de huidige dag van gebruikers die nog niet eerder in historische activiteit zijn gezien. U kunt een acceptatielijst opgeven om bekende gebruikers te filteren van het activeren van deze anomalie.

Kenmerk Weergegeven als
Afwijkingstype: Aanpasbare machine learning
Gegevensbronnen: logboeken Windows-beveiliging
MITRE ATT&CK-tactieken: Persistentie
MITRE ATT&CK-technieken: T1136 - Account maken

Terug naar de lijst | met afwijkingen op basis van Machine Learning terug naar boven

Afwijkende scanactiviteit

Beschrijving: Dit algoritme zoekt naar poortscanactiviteit, afkomstig van één bron-IP naar een of meer doel-IP-adressen, die normaal gesproken niet in een bepaalde omgeving worden gezien.

Het algoritme houdt rekening met de vraag of het IP-adres openbaar/extern of privé/intern is en de gebeurtenis dienovereenkomstig wordt gemarkeerd. Op dit moment wordt alleen privé-naar-openbaar of openbaar-naar-privé-activiteit overwogen. Scanactiviteit kan wijzen op een aanvaller die probeert beschikbare services te bepalen in een omgeving die mogelijk kan worden misbruikt en kan worden gebruikt voor inkomend verkeer of laterale verplaatsing. Een groot aantal bronpoorten en een groot aantal doelpoorten van één bron-IP naar één of meerdere doel-IP-adressen of IP-adressen kunnen interessant zijn en duiden op afwijkende scans. Als er bovendien een hoge verhouding van doel-IP's tot het IP-adres met één bron is, kan dit duiden op afwijkende scans.

Configuratiedetails:

  • De standaardtaakuitvoering is dagelijks, met bins per uur.
    Het algoritme gebruikt de volgende configureerbare standaardinstellingen om de resultaten te beperken op basis van bins per uur.
  • Opgenomen apparaatacties - accepteren, toestaan, starten
  • Uitgesloten poorten - 53, 67, 80, 8080, 123, 137, 138, 443, 445, 3389
  • Aantal afzonderlijke doelpoorten >= 600
  • Aantal afzonderlijke bronpoorten >= 600
  • Aantal afzonderlijke bronpoorten gedeeld door afzonderlijke doelpoort, verhouding geconverteerd naar percentage >= 99,99
  • Bron-IP (altijd 1) gedeeld door doel-IP, verhouding geconverteerd naar percentage >= 99,99
Kenmerk Weergegeven als
Afwijkingstype: Aanpasbare machine learning
Gegevensbronnen: CommonSecurityLog (PAN, Zscaler, CEF, CheckPoint, Fortinet)
MITRE ATT&CK-tactieken: Detectie
MITRE ATT&CK-technieken: T1046 - Netwerkservice scannen

Terug naar de lijst | met afwijkingen op basis van Machine Learning terug naar boven

Afwijkende gebruikersactiviteiten in Office Exchange

Beschrijving: Dit machine learning-model groepeert de Office Exchange-logboeken per gebruiker in buckets per uur. We definiëren één uur als een sessie. Het model wordt getraind op de afgelopen 7 dagen van gedrag voor alle gewone (niet-beheerders) gebruikers. Dit duidt op afwijkende Office Exchange-sessies van gebruikers in de afgelopen dag.

Kenmerk Weergegeven als
Afwijkingstype: Aanpasbare machine learning
Gegevensbronnen: Office-activiteitenlogboek (Exchange)
MITRE ATT&CK-tactieken: Persistentie
Verzameling
MITRE ATT&CK-technieken: Collectie:
T1114 - E-mailverzameling
T1213 - Gegevens uit informatieopslagplaatsen

Volharding:
T1098 - Accountmanipulatie
T1136 - Account maken
T1137 - Office-toepassing opstarten
T1505 - Serversoftwareonderdeel

Terug naar de lijst | met afwijkingen op basis van Machine Learning terug naar boven

Afwijkende activiteiten van gebruikers/apps in Azure-auditlogboeken

Beschrijving: Dit algoritme identificeert afwijkende Azure-sessies van gebruikers/apps in auditlogboeken voor de afgelopen dag, op basis van het gedrag van de afgelopen 21 dagen voor alle gebruikers en apps. Het algoritme controleert op voldoende hoeveelheid gegevens voordat het model wordt getraind.

Kenmerk Weergegeven als
Afwijkingstype: Aanpasbare machine learning
Gegevensbronnen: Microsoft Entra-auditlogboeken
MITRE ATT&CK-tactieken: Verzameling
Detectie
Initial Access
Persistentie
Escalatie van bevoegdheden
MITRE ATT&CK-technieken: Collectie:
T1530 - Gegevens uit cloudopslagobject

Detectie:
T1087 - Accountdetectie
T1538 - Cloudservicedashboard
T1526 - Cloud Service Discovery
T1069 - Detectie van machtigingsgroepen
T1518 - Software Discovery

Eerste toegang:
T1190 - Openbare toepassing misbruiken
T1078 - Geldige accounts

Volharding:
T1098 - Accountmanipulatie
T1136 - Account maken
T1078 - Geldige accounts

Escalatie van bevoegdheden:
T1484 - Domeinbeleid wijzigen
T1078 - Geldige accounts

Terug naar de lijst | met afwijkingen op basis van Machine Learning terug naar boven

Afwijkende W3CIIS-logboekactiviteit

Beschrijving: Dit machine learning-algoritme geeft afwijkende IIS-sessies aan over de afgelopen dag. Er wordt bijvoorbeeld een ongebruikelijk groot aantal afzonderlijke URI-query's, gebruikersagenten of logboeken in een sessie vastgelegd, of specifieke HTTP-woorden of HTTP-statussen in een sessie. Het algoritme identificeert ongebruikelijke W3CIISLog-gebeurtenissen binnen een sessie per uur, gegroepeerd op sitenaam en client-IP. Het model wordt getraind op de afgelopen 7 dagen van IIS-activiteit. Het algoritme controleert voordat het model wordt getraind op voldoende hoeveelheid IIS-activiteit.

Kenmerk Weergegeven als
Afwijkingstype: Aanpasbare machine learning
Gegevensbronnen: W3CIIS-logboeken
MITRE ATT&CK-tactieken: Initial Access
Persistentie
MITRE ATT&CK-technieken: Eerste toegang:
T1190 - Openbare toepassing misbruiken

Volharding:
T1505 - Serversoftwareonderdeel

Terug naar de lijst | met afwijkingen op basis van Machine Learning terug naar boven

Afwijkende webaanvraagactiviteit

Beschrijving: Met dit algoritme worden W3CIISLog-gebeurtenissen gegroepeerd in sessies die zijn gegroepeerd op sitenaam en URI-stam. Het machine learning-model identificeert sessies met ongebruikelijk veel aanvragen die in de afgelopen dag reactiecodes van 5xx-klassen hebben geactiveerd. 5xx-klassecodes zijn een indicatie dat sommige toepassingsinstabiliteit of foutvoorwaarde is geactiveerd door de aanvraag. Ze kunnen een indicatie zijn dat een aanvaller de URI-stam voor beveiligingsproblemen en configuratieproblemen test, bepaalde exploitatieactiviteiten uitvoert, zoals SQL-injectie, of een niet-gepatcht beveiligingsprobleem gebruikt. Dit algoritme gebruikt 6 dagen aan gegevens voor training.

Kenmerk Weergegeven als
Afwijkingstype: Aanpasbare machine learning
Gegevensbronnen: W3CIIS-logboeken
MITRE ATT&CK-tactieken: Initial Access
Persistentie
MITRE ATT&CK-technieken: Eerste toegang:
T1190 - Openbare toepassing misbruiken

Volharding:
T1505 - Serversoftwareonderdeel

Terug naar de lijst | met afwijkingen op basis van Machine Learning terug naar boven

Poging tot brute kracht van computer

Beschrijving: Dit algoritme detecteert een ongebruikelijk groot aantal mislukte aanmeldingspogingen (beveiligingsgebeurtenis-id 4625) per computer gedurende de afgelopen dag. Het model wordt getraind op de afgelopen 21 dagen van windows-beveiligingsgebeurtenislogboeken.

Kenmerk Weergegeven als
Afwijkingstype: Aanpasbare machine learning
Gegevensbronnen: logboeken Windows-beveiliging
MITRE ATT&CK-tactieken: Referentietoegang
MITRE ATT&CK-technieken: T1110 - Brute Force

Terug naar de lijst | met afwijkingen op basis van Machine Learning terug naar boven

Poging tot beveiligingsaanval van gebruikersaccount

Beschrijving: Dit algoritme detecteert een ongebruikelijk groot aantal mislukte aanmeldingspogingen (beveiligingsgebeurtenis-id 4625) per gebruikersaccount gedurende de afgelopen dag. Het model wordt getraind op de afgelopen 21 dagen van windows-beveiligingsgebeurtenislogboeken.

Kenmerk Weergegeven als
Afwijkingstype: Aanpasbare machine learning
Gegevensbronnen: logboeken Windows-beveiliging
MITRE ATT&CK-tactieken: Referentietoegang
MITRE ATT&CK-technieken: T1110 - Brute Force

Terug naar de lijst | met afwijkingen op basis van Machine Learning terug naar boven

Poging tot brute force van gebruikersaccount per aanmeldingstype

Beschrijving: Dit algoritme detecteert een ongebruikelijk groot aantal mislukte aanmeldingspogingen (beveiligingsgebeurtenis-id 4625) per gebruikersaccount per aanmeldingstype gedurende de afgelopen dag. Het model wordt getraind op de afgelopen 21 dagen van windows-beveiligingsgebeurtenislogboeken.

Kenmerk Weergegeven als
Afwijkingstype: Aanpasbare machine learning
Gegevensbronnen: logboeken Windows-beveiliging
MITRE ATT&CK-tactieken: Referentietoegang
MITRE ATT&CK-technieken: T1110 - Brute Force

Terug naar de lijst | met afwijkingen op basis van Machine Learning terug naar boven

Poging tot brute force van gebruikersaccount per foutreden

Beschrijving: Dit algoritme detecteert een ongebruikelijk groot aantal mislukte aanmeldingspogingen (beveiligingsgebeurtenis-id 4625) per gebruikersaccount per foutreden gedurende de afgelopen dag. Het model wordt getraind op de afgelopen 21 dagen van windows-beveiligingsgebeurtenislogboeken.

Kenmerk Weergegeven als
Afwijkingstype: Aanpasbare machine learning
Gegevensbronnen: logboeken Windows-beveiliging
MITRE ATT&CK-tactieken: Referentietoegang
MITRE ATT&CK-technieken: T1110 - Brute Force

Terug naar de lijst | met afwijkingen op basis van Machine Learning terug naar boven

Gedrag van door de machine gegenereerde netwerkconaconing detecteren

Beschrijving: Dit algoritme identificeert beaconing-patronen uit netwerkverkeersverbindingslogboeken op basis van terugkerende tijdsdeltapatronen. Elke netwerkverbinding naar niet-vertrouwde openbare netwerken bij herhaalde tijds delta's is een indicatie van malware callbacks of data exfiltratiepogingen. Het algoritme berekent de tijdsvariatie tussen opeenvolgende netwerkverbindingen tussen hetzelfde bron-IP- en doel-IP-adres, evenals het aantal verbindingen in een tijd-deltareeks tussen dezelfde bronnen en bestemmingen. Het percentage beaconing wordt berekend als de verbindingen in time-delta-reeks ten opzichte van het totale aantal verbindingen in een dag.

Kenmerk Weergegeven als
Afwijkingstype: Aanpasbare machine learning
Gegevensbronnen: CommonSecurityLog (PAN)
MITRE ATT&CK-tactieken: Opdracht en controle
MITRE ATT&CK-technieken: T1071 - Application Layer Protocol
T1132 - Gegevenscodering
T1001 - Verborgen gegevens
T1568 - Dynamische resolutie
T1573 - Versleuteld kanaal
T1008 - Terugvalkanalen
T1104 - Kanalen met meerdere fasen
T1095 - Protocol voor niet-toepassingslaag
T1571 - Niet-standaardpoort
T1572 - Protocoltunneling
T1090 - Proxy
T1205 - Verkeerssignalen
T1102 - Webservice

Terug naar de lijst | met afwijkingen op basis van Machine Learning terug naar boven

Algoritme voor het genereren van domeinen (DGA) in DNS-domeinen

Beschrijving: Dit machine learning-model geeft potentiële DGA-domeinen van de afgelopen dag in de DNS-logboeken aan. Het algoritme is van toepassing op DNS-records die worden omgezet in IPv4- en IPv6-adressen.

Kenmerk Weergegeven als
Afwijkingstype: Aanpasbare machine learning
Gegevensbronnen: DNS-gebeurtenissen
MITRE ATT&CK-tactieken: Opdracht en controle
MITRE ATT&CK-technieken: T1568 - Dynamische resolutie

Terug naar de lijst | met afwijkingen op basis van Machine Learning terug naar boven

Domeinreputatie Palo Alto anomalie (STOPGEZET)

Beschrijving: Dit algoritme evalueert de reputatie voor alle domeinen die specifiek worden gezien in pan-OS-productlogboeken (Palo Alto Firewall). Een hoge anomaliescore geeft een lage reputatie aan, wat suggereert dat het domein is waargenomen om schadelijke inhoud te hosten of dat dit waarschijnlijk gebeurt.

Terug naar de lijst | met afwijkingen op basis van Machine Learning terug naar boven

Overmatige afwijking van gegevensoverdracht

Beschrijving: Dit algoritme detecteert ongebruikelijk hoge gegevensoverdracht die wordt waargenomen in netwerklogboeken. Het maakt gebruik van tijdreeksen om de gegevens op te splitsen in seizoensgebonden, trend- en residuenonderdelen om de basislijn te berekenen. Elke plotselinge grote afwijking van de historische basislijn wordt beschouwd als afwijkende activiteit.

Kenmerk Weergegeven als
Afwijkingstype: Aanpasbare machine learning
Gegevensbronnen: CommonSecurityLog (PAN, Zscaler, CEF, CheckPoint, Fortinet)
MITRE ATT&CK-tactieken: Exfiltration (Exfiltratie)
MITRE ATT&CK-technieken: T1030 - Limieten voor gegevensoverdracht
T1041 - Exfiltratie via C2-kanaal
T1011 - Exfiltratie via ander netwerkmedium
T1567 - Exfiltratie via webservice
T1029 - Geplande overdracht
T1537 - Gegevens overdragen naar cloudaccount

Terug naar de lijst | met afwijkingen op basis van Machine Learning terug naar boven

Overmatige downloads via Palo Alto GlobalProtect

Beschrijving: Dit algoritme detecteert ongebruikelijk veel download per gebruikersaccount via de Palo Alto VPN-oplossing. Het model wordt getraind op de afgelopen 14 dagen van de VPN-logboeken. Dit duidt op een afwijkend groot aantal downloads in de afgelopen dag.

Kenmerk Weergegeven als
Afwijkingstype: Aanpasbare machine learning
Gegevensbronnen: CommonSecurityLog (PAN VPN)
MITRE ATT&CK-tactieken: Exfiltration (Exfiltratie)
MITRE ATT&CK-technieken: T1030 - Limieten voor gegevensoverdracht
T1041 - Exfiltratie via C2-kanaal
T1011 - Exfiltratie via ander netwerkmedium
T1567 - Exfiltratie via webservice
T1029 - Geplande overdracht
T1537 - Gegevens overdragen naar cloudaccount

Terug naar de lijst | met afwijkingen op basis van Machine Learning terug naar boven

Overmatige uploads via Palo Alto GlobalProtect

Beschrijving: Dit algoritme detecteert ongebruikelijk veel upload per gebruikersaccount via de Palo Alto VPN-oplossing. Het model wordt getraind op de afgelopen 14 dagen van de VPN-logboeken. Dit duidt op een afwijkend hoog uploadvolume in de afgelopen dag.

Kenmerk Weergegeven als
Afwijkingstype: Aanpasbare machine learning
Gegevensbronnen: CommonSecurityLog (PAN VPN)
MITRE ATT&CK-tactieken: Exfiltration (Exfiltratie)
MITRE ATT&CK-technieken: T1030 - Limieten voor gegevensoverdracht
T1041 - Exfiltratie via C2-kanaal
T1011 - Exfiltratie via ander netwerkmedium
T1567 - Exfiltratie via webservice
T1029 - Geplande overdracht
T1537 - Gegevens overdragen naar cloudaccount

Terug naar de lijst | met afwijkingen op basis van Machine Learning terug naar boven

Meld u aan bij een ongebruikelijke regio via Aanmeldingen van palo Alto GlobalProtect-account

Beschrijving: Wanneer een Palo Alto GlobalProtect-account zich aanmeldt vanuit een bronregio die de afgelopen 14 dagen zelden is aangemeld, wordt een anomalie geactiveerd. Deze anomalie kan erop wijzen dat het account is aangetast.

Kenmerk Weergegeven als
Afwijkingstype: Aanpasbare machine learning
Gegevensbronnen: CommonSecurityLog (PAN VPN)
MITRE ATT&CK-tactieken: Referentietoegang
Initial Access
Zijwaartse beweging
MITRE ATT&CK-technieken: T1133 - Externe externe services

Terug naar de lijst | met afwijkingen op basis van Machine Learning terug naar boven

Aanmeldingen met meerdere regio's in één dag via Palo Alto GlobalProtect (STOPGEZET)

Beschrijving: Met dit algoritme wordt een gebruikersaccount gedetecteerd dat aanmeldingen had van meerdere niet-aangrenzende regio's in één dag via een Palo Alto VPN.

Terug naar de lijst | met afwijkingen op basis van Machine Learning terug naar boven

Potentiële fasering van gegevens

Beschrijving: Dit algoritme vergelijkt de downloads van afzonderlijke bestanden per gebruiker op basis van de vorige week met de downloads voor de huidige dag voor elke gebruiker en er wordt een anomalie geactiveerd wanneer het aantal downloads van afzonderlijke bestanden het geconfigureerde aantal standaarddeviaties boven het gemiddelde overschrijdt. Op dit moment analyseert het algoritme alleen bestanden die vaak worden gezien tijdens exfiltratie van documenten, afbeeldingen, video's en archieven met de extensies doc, docx, pptxlsxxlsmxls, onerarzippptxpdfbmp, jpg, en . mp3mp4mov

Kenmerk Weergegeven als
Afwijkingstype: Aanpasbare machine learning
Gegevensbronnen: Office-activiteitenlogboek (Exchange)
MITRE ATT&CK-tactieken: Verzameling
MITRE ATT&CK-technieken: T1074 - Gefaseerd gegevens

Terug naar de lijst | met afwijkingen op basis van Machine Learning terug naar boven

Potentieel algoritme voor domeingeneratie (DGA) op DNS-domeinen op het volgende niveau

Beschrijving: Dit machine learning-model geeft de domeinen op het volgende niveau (derde niveau en hoger) van de domeinnamen aan vanaf de laatste dag van DNS-logboeken die ongebruikelijk zijn. Ze kunnen mogelijk de uitvoer zijn van een domeingeneratiealgoritme (DGA). De anomalie is van toepassing op de DNS-records die worden omgezet in IPv4- en IPv6-adressen.

Kenmerk Weergegeven als
Afwijkingstype: Aanpasbare machine learning
Gegevensbronnen: DNS-gebeurtenissen
MITRE ATT&CK-tactieken: Opdracht en controle
MITRE ATT&CK-technieken: T1568 - Dynamische resolutie

Terug naar de lijst | met afwijkingen op basis van Machine Learning terug naar boven

Suspicious geography change in Palo Alto GlobalProtect account logins (Verdachte geografische wijziging in aanmeldingen bij Palo Alto GlobalProtect-account)

Beschrijving: Een overeenkomst geeft aan dat een gebruiker zich extern heeft aangemeld vanuit een land/regio die verschilt van het land/de regio van de laatste externe aanmelding van de gebruiker. Deze regel kan ook duiden op een inbreuk op een account, met name als de regel nauw op tijd overeenkomt. Dit omvat het scenario van onmogelijke reizen.

Kenmerk Weergegeven als
Afwijkingstype: Aanpasbare machine learning
Gegevensbronnen: CommonSecurityLog (PAN VPN)
MITRE ATT&CK-tactieken: Initial Access
Referentietoegang
MITRE ATT&CK-technieken: T1133 - Externe externe services
T1078 - Geldige accounts

Terug naar de lijst | met afwijkingen op basis van Machine Learning terug naar boven

Verdacht aantal beveiligde documenten geopend

Beschrijving: Dit algoritme detecteert een groot aantal toegang tot beveiligde documenten in AIP-logboeken (Azure Information Protection). Het beschouwt AIP-werkbelastingrecords gedurende een bepaald aantal dagen en bepaalt of de gebruiker ongebruikelijke toegang heeft uitgevoerd tot beveiligde documenten op een dag op basis van historisch gedrag.

Kenmerk Weergegeven als
Afwijkingstype: Aanpasbare machine learning
Gegevensbronnen: Azure Information Protection-logboeken
MITRE ATT&CK-tactieken: Verzameling
MITRE ATT&CK-technieken: T1530 - Gegevens uit cloudopslagobject
T1213 - Gegevens uit informatieopslagplaatsen
T1005 - Gegevens van lokaal systeem
T1039 - Gegevens van gedeeld netwerkstation
T1114 - E-mailverzameling

Terug naar de lijst | met afwijkingen op basis van Machine Learning terug naar boven

Suspicious volume of AWS API calls from Non-AWS source IP address (Verdacht volume van AWS API-aanroepen van ip-adres van niet-AWS-bron)

Beschrijving: Dit algoritme detecteert een ongebruikelijk groot aantal AWS API-aanroepen per gebruikersaccount per werkruimte, van bron-IP-adressen buiten de bron-IP-adresbereiken van AWS, binnen de laatste dag. Het model wordt getraind op de afgelopen 21 dagen van AWS CloudTrail-logboekgebeurtenissen op bron-IP-adres. Deze activiteit kan erop wijzen dat het gebruikersaccount is aangetast.

Kenmerk Weergegeven als
Afwijkingstype: Aanpasbare machine learning
Gegevensbronnen: AWS CloudTrail-logboeken
MITRE ATT&CK-tactieken: Initial Access
MITRE ATT&CK-technieken: T1078 - Geldige accounts

Terug naar de lijst | met afwijkingen op basis van Machine Learning terug naar boven

Suspicious volume of AWS CloudTrail log events of group user account by EventTypeName

Beschrijving: Dit algoritme detecteert een ongebruikelijk groot aantal gebeurtenissen per groepsgebruikersaccount, op basis van verschillende gebeurtenistypen (AwsApiCall, AwsServiceEvent, AwsConsoleSignIn, AwsConsoleAction), in uw AWS CloudTrail-logboek binnen de laatste dag. Het model wordt getraind op de afgelopen 21 dagen van AWS CloudTrail-logboekgebeurtenissen op groepsgebruikersaccount. Deze activiteit kan erop wijzen dat het account is aangetast.

Kenmerk Weergegeven als
Afwijkingstype: Aanpasbare machine learning
Gegevensbronnen: AWS CloudTrail-logboeken
MITRE ATT&CK-tactieken: Initial Access
MITRE ATT&CK-technieken: T1078 - Geldige accounts

Terug naar de lijst | met afwijkingen op basis van Machine Learning terug naar boven

Suspicious volume of AWS write API calls from a user account (Verdacht volume van AWS-schrijf-API-aanroepen vanuit een gebruikersaccount

Beschrijving: Met dit algoritme wordt binnen de laatste dag een ongebruikelijk groot aantal AWS-schrijf-API-aanroepen per gebruikersaccount gedetecteerd. Het model wordt getraind op de afgelopen 21 dagen van AWS CloudTrail-logboekgebeurtenissen per gebruikersaccount. Deze activiteit kan erop wijzen dat het account is aangetast.

Kenmerk Weergegeven als
Afwijkingstype: Aanpasbare machine learning
Gegevensbronnen: AWS CloudTrail-logboeken
MITRE ATT&CK-tactieken: Initial Access
MITRE ATT&CK-technieken: T1078 - Geldige accounts

Terug naar de lijst | met afwijkingen op basis van Machine Learning terug naar boven

Suspicious volume of failed login attempts to AWS Console by each group user account (Verdacht volume van mislukte aanmeldingspogingen naar AWS Console per groepsgebruikersaccount)

Beschrijving: Dit algoritme detecteert een ongebruikelijk groot aantal mislukte aanmeldingspogingen naar AWS Console per groepsgebruikersaccount in uw AWS CloudTrail-logboek binnen de afgelopen dag. Het model wordt getraind op de afgelopen 21 dagen van AWS CloudTrail-logboekgebeurtenissen op groepsgebruikersaccount. Deze activiteit kan erop wijzen dat het account is aangetast.

Kenmerk Weergegeven als
Afwijkingstype: Aanpasbare machine learning
Gegevensbronnen: AWS CloudTrail-logboeken
MITRE ATT&CK-tactieken: Initial Access
MITRE ATT&CK-technieken: T1078 - Geldige accounts

Terug naar de lijst | met afwijkingen op basis van Machine Learning terug naar boven

Suspicious volume of failed login attempts to AWS Console by each source IP address (Verdacht volume van mislukte aanmeldingspogingen naar AWS Console per bron-IP-adres)

Beschrijving: Dit algoritme detecteert een ongebruikelijk groot aantal mislukte aanmeldingsgebeurtenissen naar AWS Console per bron-IP-adres in uw AWS CloudTrail-logboek binnen de afgelopen dag. Het model wordt getraind op de afgelopen 21 dagen van AWS CloudTrail-logboekgebeurtenissen op bron-IP-adres. Deze activiteit kan erop wijzen dat het IP-adres is aangetast.

Kenmerk Weergegeven als
Afwijkingstype: Aanpasbare machine learning
Gegevensbronnen: AWS CloudTrail-logboeken
MITRE ATT&CK-tactieken: Initial Access
MITRE ATT&CK-technieken: T1078 - Geldige accounts

Terug naar de lijst | met afwijkingen op basis van Machine Learning terug naar boven

Suspicious volume of logins to computer (Verdacht volume van aanmeldingen op

Beschrijving: Dit algoritme detecteert een ongebruikelijk groot aantal geslaagde aanmeldingen (beveiligingsgebeurtenis-id 4624) per computer gedurende de afgelopen dag. Het model wordt getraind op de afgelopen 21 dagen na Windows-beveiliging gebeurtenislogboeken.

Kenmerk Weergegeven als
Afwijkingstype: Aanpasbare machine learning
Gegevensbronnen: logboeken Windows-beveiliging
MITRE ATT&CK-tactieken: Initial Access
MITRE ATT&CK-technieken: T1078 - Geldige accounts

Terug naar de lijst | met afwijkingen op basis van Machine Learning terug naar boven

Suspicious volume of logins token token with verhoogde token (Verdacht volume van aanmeldingen bij computer met verhoogde token)

Beschrijving: Dit algoritme detecteert een ongebruikelijk groot aantal geslaagde aanmeldingen (beveiligingsgebeurtenis-id 4624) met beheerdersbevoegdheden, per computer, gedurende de afgelopen dag. Het model wordt getraind op de afgelopen 21 dagen na Windows-beveiliging gebeurtenislogboeken.

Kenmerk Weergegeven als
Afwijkingstype: Aanpasbare machine learning
Gegevensbronnen: logboeken Windows-beveiliging
MITRE ATT&CK-tactieken: Initial Access
MITRE ATT&CK-technieken: T1078 - Geldige accounts

Terug naar de lijst | met afwijkingen op basis van Machine Learning terug naar boven

Suspicious volume of logins to user account (Verdacht volume van aanmeldingen voor gebruikersaccount

Beschrijving: Dit algoritme detecteert een ongebruikelijk groot aantal geslaagde aanmeldingen (beveiligingsgebeurtenis-id 4624) per gebruikersaccount gedurende de afgelopen dag. Het model wordt getraind op de afgelopen 21 dagen na Windows-beveiliging gebeurtenislogboeken.

Kenmerk Weergegeven als
Afwijkingstype: Aanpasbare machine learning
Gegevensbronnen: logboeken Windows-beveiliging
MITRE ATT&CK-tactieken: Initial Access
MITRE ATT&CK-technieken: T1078 - Geldige accounts

Terug naar de lijst | met afwijkingen op basis van Machine Learning terug naar boven

Suspicious volume of logins to user account by logon types (Verdacht aantal aanmeldingen naar gebruikersaccount per aanmeldingstype)

Beschrijving: Dit algoritme detecteert een ongebruikelijk groot aantal geslaagde aanmeldingen (beveiligingsgebeurtenis-id 4624) per gebruikersaccount, op basis van verschillende aanmeldingstypen, gedurende de afgelopen dag. Het model wordt getraind op de afgelopen 21 dagen na Windows-beveiliging gebeurtenislogboeken.

Kenmerk Weergegeven als
Afwijkingstype: Aanpasbare machine learning
Gegevensbronnen: logboeken Windows-beveiliging
MITRE ATT&CK-tactieken: Initial Access
MITRE ATT&CK-technieken: T1078 - Geldige accounts

Terug naar de lijst | met afwijkingen op basis van Machine Learning terug naar boven

Suspicious volume of logins token token with verhoogde token (Verdacht aantal aanmeldingen bij gebruikersaccount met verhoogde bevoegdheden)

Beschrijving: Dit algoritme detecteert een ongebruikelijk groot aantal geslaagde aanmeldingen (beveiligingsgebeurtenis-id 4624) met beheerdersbevoegdheden, per gebruikersaccount, gedurende de afgelopen dag. Het model wordt getraind op de afgelopen 21 dagen na Windows-beveiliging gebeurtenislogboeken.

Kenmerk Weergegeven als
Afwijkingstype: Aanpasbare machine learning
Gegevensbronnen: logboeken Windows-beveiliging
MITRE ATT&CK-tactieken: Initial Access
MITRE ATT&CK-technieken: T1078 - Geldige accounts

Terug naar de lijst | met afwijkingen op basis van Machine Learning terug naar boven

Ongebruikelijk extern firewallalarm gedetecteerd

Beschrijving: Dit algoritme identificeert ongebruikelijke externe firewallalarmen die bedreigingshandtekeningen zijn die zijn vrijgegeven door een firewallleverancier. Hierbij worden de activiteiten van de afgelopen zeven dagen gebruikt om de tien meest geactiveerde handtekeningen en de tien hosts te berekenen die de meeste handtekeningen hebben geactiveerd. Nadat beide typen ruisgebeurtenissen zijn uitgesloten, wordt er slechts een anomalie geactiveerd nadat de drempelwaarde voor het aantal handtekeningen dat in één dag wordt geactiveerd, is overschreden.

Kenmerk Weergegeven als
Afwijkingstype: Aanpasbare machine learning
Gegevensbronnen: CommonSecurityLog (PAN)
MITRE ATT&CK-tactieken: Detectie
Opdracht en controle
MITRE ATT&CK-technieken: Detectie:
T1046 - Netwerkservice scannen
T1135 - Detectie van netwerkshares

Opdracht en beheer:
T1071 - Application Layer Protocol
T1095 - Protocol voor niet-toepassingslaag
T1571 - Niet-standaardpoort

Terug naar de lijst | met afwijkingen op basis van Machine Learning terug naar boven

AIP-label voor ongebruikelijke massa downgraden

Beschrijving: Dit algoritme detecteert ongebruikelijk veel downgradelabelactiviteit in AIP-logboeken (Azure Information Protection). Het beschouwt AIP-workloadrecords gedurende een bepaald aantal dagen en bepaalt de volgorde van de activiteit die wordt uitgevoerd op documenten, samen met het label dat is toegepast om ongebruikelijk volume van downgrade-activiteit te classificeren.

Kenmerk Weergegeven als
Afwijkingstype: Aanpasbare machine learning
Gegevensbronnen: Azure Information Protection-logboeken
MITRE ATT&CK-tactieken: Verzameling
MITRE ATT&CK-technieken: T1530 - Gegevens uit cloudopslagobject
T1213 - Gegevens uit informatieopslagplaatsen
T1005 - Gegevens van lokaal systeem
T1039 - Gegevens van gedeeld netwerkstation
T1114 - E-mailverzameling

Terug naar de lijst | met afwijkingen op basis van Machine Learning terug naar boven

Ongebruikelijke netwerkcommunicatie op veelgebruikte poorten

Beschrijving: Dit algoritme identificeert ongebruikelijke netwerkcommunicatie op veelgebruikte poorten, waarmee dagelijks verkeer wordt vergeleken met een basislijn van de afgelopen 7 dagen. Dit omvat verkeer op veelgebruikte poorten (22, 53, 80, 443, 8080, 8888) en vergelijkt dagelijks verkeer met het gemiddelde en de standaarddeviatie van verschillende netwerkverkeerskenmerken die zijn berekend over de basislijnperiode. De beschouwde verkeerskenmerken zijn dagelijkse totale gebeurtenissen, dagelijkse gegevensoverdracht en het aantal afzonderlijke bron-IP-adressen per poort. Een anomalie wordt geactiveerd wanneer de dagelijkse waarden groter zijn dan het geconfigureerde aantal standaarddeviaties boven het gemiddelde.

Kenmerk Weergegeven als
Afwijkingstype: Aanpasbare machine learning
Gegevensbronnen: CommonSecurityLog (PAN, Zscaler, CheckPoint, Fortinet)
MITRE ATT&CK-tactieken: Opdracht en controle
Exfiltration (Exfiltratie)
MITRE ATT&CK-technieken: Opdracht en beheer:
T1071 - Application Layer Protocol

Exfiltratie:
T1030 - Limieten voor gegevensoverdracht

Terug naar de lijst | met afwijkingen op basis van Machine Learning terug naar boven

Ongebruikelijke netwerkvolumeafwijking

Beschrijving: Dit algoritme detecteert ongebruikelijk veel verbindingen in netwerklogboeken. Het maakt gebruik van tijdreeksen om de gegevens op te splitsen in seizoensgebonden, trend- en residuenonderdelen om de basislijn te berekenen. Elke plotselinge grote afwijking van de historische basislijn wordt beschouwd als afwijkende activiteit.

Kenmerk Weergegeven als
Afwijkingstype: Aanpasbare machine learning
Gegevensbronnen: CommonSecurityLog (PAN, Zscaler, CEF, CheckPoint, Fortinet)
MITRE ATT&CK-tactieken: Exfiltration (Exfiltratie)
MITRE ATT&CK-technieken: T1030 - Limieten voor gegevensoverdracht

Terug naar de lijst | met afwijkingen op basis van Machine Learning terug naar boven

Ongebruikelijk webverkeer gedetecteerd met IP in URL-pad

Beschrijving: Dit algoritme identificeert ongebruikelijke webaanvragen met een IP-adres als de host. Het algoritme vindt alle webaanvragen met IP-adressen in het URL-pad en vergelijkt deze met de vorige week met gegevens om bekend goedaardig verkeer uit te sluiten. Nadat bekend goedaardig verkeer is uitgesloten, wordt alleen een anomalie geactiveerd nadat bepaalde drempelwaarden zijn overschreden met geconfigureerde waarden, zoals het totale aantal webaanvragen, het aantal URL's dat wordt gezien met hetzelfde IP-adres van de hostbestemming en het aantal afzonderlijke bron-IP-adressen binnen de set URL's met hetzelfde doel-IP-adres. Dit type aanvraag kan duiden op een poging om URL-reputatieservices te omzeilen voor schadelijke doeleinden.

Kenmerk Weergegeven als
Afwijkingstype: Aanpasbare machine learning
Gegevensbronnen: CommonSecurityLog (PAN, Zscaler, CheckPoint, Fortinet)
MITRE ATT&CK-tactieken: Opdracht en controle
Initial Access
MITRE ATT&CK-technieken: Opdracht en beheer:
T1071 - Application Layer Protocol

Eerste toegang:
T1189 - Drive-by Compromise

Terug naar de lijst | met afwijkingen op basis van Machine Learning terug naar boven

Volgende stappen