Share via

Anomali yang terdeteksi oleh mesin pembelajaran mesin Microsoft Sentinel

  • Artikel

Artikel ini mencantumkan anomali yang dideteksi Microsoft Sentinel menggunakan model pembelajaran mesin yang berbeda.

Deteksi anomali bekerja dengan menganalisis perilaku pengguna di lingkungan selama periode waktu tertentu dan membangun garis besar aktivitas yang sah. Setelah garis besar ditetapkan, aktivitas apa pun di luar parameter normal dianggap sebagai anomali dan karenanya mencurigakan.

Microsoft Sentinel menggunakan dua model berbeda untuk membuat garis besar dan mendeteksi anomali.

Catatan

Deteksi anomali berikut dihentikan per 26 Maret 2024, karena kualitas hasil yang rendah:

  • Anomali Palo Alto Reputasi Domain
  • Proses masuk multi-wilayah dalam satu hari melalui Palo Alto GlobalProtect

Penting

Microsoft Azure Sentinel tersedia sebagai bagian dari pratinjau publik untuk platform operasi keamanan terpadu di portal Pertahanan Microsoft. Untuk informasi selengkapnya, lihat Microsoft Azure Sentinel di portal Pertahanan Microsoft.

Anomali UEBA

Sentinel UEBA mendeteksi anomali berdasarkan garis besar dinamis yang dibuat untuk setiap entitas di berbagai input data. Perilaku garis besar setiap entitas diatur sesuai dengan aktivitas historisnya sendiri, serekannya, dan mereka yang ada di organisasi secara keseluruhan. Anomali dapat dipicu oleh korelasi atribut yang berbeda seperti jenis tindakan, lokasi geografis, perangkat, sumber daya, ISP, dan banyak lagi.

Anda harus mengaktifkan fitur UEBA agar anomali UEBA dapat terdeteksi.

Penghapusan Akses Akun Anomali

Deskripsi: Penyerang dapat mengganggu ketersediaan sistem dan sumber daya jaringan dengan memblokir akses ke akun yang digunakan oleh pengguna yang sah. Penyerang dapat menghapus, mengunci, atau memanipulasi akun (misalnya, dengan mengubah informasi masuknya) untuk menghapus akses ke akun tersebut.

Atribut Nilai
Jenis anomali: UEBA
Sumber data: Log Aktivitas Azure
Taktik MITRE ATT&CK: Dampak
Teknik MITRE ATT&CK: T1531 - Penghapusan Akses Akun
Aktivitas: Microsoft.Authorization/roleAssignments/delete
Keluar

Kembali ke daftar | anomali UEBA Kembali ke atas

Pembuatan Akun Anomali

Deskripsi: Musuh dapat membuat akun untuk memelihara akses ke sistem yang ditargetkan. Dengan tingkat akses yang memadai, membuat akun tersebut dapat digunakan untuk membuat akses informasi masuk sekunder tanpa memerlukan alat akses jarak jauh yang persisten untuk disebarkan pada sistem.

Atribut Nilai
Jenis anomali: UEBA
Sumber data: Log audit Microsoft Entra
Taktik MITRE ATT&CK: Persistensi
Teknik MITRE ATT&CK: T1136 - Buat Akun
Sub-teknik MITRE ATT&CK: Akun Cloud
Aktivitas: Direktori Inti/UserManagement/Tambahkan pengguna

Kembali ke daftar | anomali UEBA Kembali ke atas

Penghapusan Akun Anomali

Deskripsi: Musuh dapat mengganggu ketersediaan sistem dan sumber daya jaringan dengan menghambat akses ke akun yang digunakan oleh pengguna yang sah. Akun dapat dihapus, dikunci, atau dimanipulasi (misalnya: informasi masuk yang diubah) untuk menghapus akses ke akun.

Atribut Nilai
Jenis anomali: UEBA
Sumber data: Log audit Microsoft Entra
Taktik MITRE ATT&CK: Dampak
Teknik MITRE ATT&CK: T1531 - Penghapusan Akses Akun
Aktivitas: Direktori Inti/UserManagement/Hapus pengguna
Direktori Inti/Perangkat/Hapus pengguna
Direktori Inti/UserManagement/Hapus pengguna

Kembali ke daftar | anomali UEBA Kembali ke atas

Manipulasi Akun Anomali

Deskripsi: Musuh dapat memanipulasi akun untuk memelihara akses ke sistem target. Tindakan ini termasuk menambahkan akun baru ke grup dengan hak istimewa tinggi. Dragonfly 2.0, misalnya, menambahkan akun yang baru dibuat ke grup administrator untuk memelihara akses yang lebih tinggi. Kueri di bawah ini menghasilkan output dari semua pengguna Radius Blast tinggi yang melakukan "Pembaruan pengguna" (perubahan nama) ke peran istimewa, atau yang mengubah pengguna untuk pertama kalinya.

Atribut Nilai
Jenis anomali: UEBA
Sumber data: Log audit Microsoft Entra
Taktik MITRE ATT&CK: Persistensi
Teknik MITRE ATT&CK: T1098 - Manipulasi Akun
Aktivitas: Direktori Inti/UserManagement/Perbarui pengguna

Kembali ke daftar | anomali UEBA Kembali ke atas

Eksekusi Kode Anomali (UEBA)

Deskripsi: Musuh dapat menyalahgunakan perintah dan penerjemah skrip untuk menjalankan perintah, skrip, atau biner. Antarmuka dan bahasa komputer ini menyediakan cara berinteraksi dengan sistem komputer dan merupakan fitur umum di berbagai platform.

Atribut Nilai
Jenis anomali: UEBA
Sumber data: Log Aktivitas Azure
Taktik MITRE ATT&CK: Eksekusi
Teknik MITRE ATT&CK: T1059 - Penerjemah Perintah dan Skrip
Sub-teknik MITRE ATT&CK: PowerShell
Aktivitas: Microsoft.Compute/virtualMachines/runCommand/action

Kembali ke daftar | anomali UEBA Kembali ke atas

Penghancuran Data Anomali

Deskripsi: Musuh dapat menghancurkan data dan file pada sistem tertentu atau dalam jumlah besar di jaringan untuk mengganggu ketersediaan sistem, layanan, dan sumber daya jaringan. Penghancuran data kemungkinan akan merender data yang disimpan menjadi tidak dapat dipulihkan dengan teknik forensik melalui penimpaan file atau data pada drive lokal dan jarak jauh.

Atribut Nilai
Jenis anomali: UEBA
Sumber data: Log Aktivitas Azure
Taktik MITRE ATT&CK: Dampak
Teknik MITRE ATT&CK: T1485 - Penghancuran Data
Aktivitas: 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/schemas/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/hapus
Microsoft.Storage/storageAccounts/fileServices/fileshares/files/delete
Microsoft.Storage/storageAccounts/blobServices/containers/delete
Microsoft.AAD/domainServices/delete

Kembali ke daftar | anomali UEBA Kembali ke atas

Modifikasi Mekanisme Defensif Anomali

Deskripsi: Musuh dapat menonaktifkan alat keamanan untuk menghindari kemungkinan deteksi alat dan aktivitas mereka.

Atribut Nilai
Jenis anomali: UEBA
Sumber data: Log Aktivitas Azure
Taktik MITRE ATT&CK: Penghindaran Pertahanan
Teknik MITRE ATT&CK: T1562 - Pertahanan Gangguan
Sub-teknik MITRE ATT&CK: Menonaktifkan atau Memodifikasi Alat
Menonaktifkan atau Memodifikasi Cloud Firewall
Aktivitas: 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

Kembali ke daftar | anomali UEBA Kembali ke atas

Kredensial Masuk Gagal Anomali

Deskripsi: Musuh dapat pengetahuan sebelumnya tentang informasi masuk yang sah dalam sistem atau lingkungan dapat menebak kata sandi untuk mencoba mengakses akun.

Atribut Nilai
Jenis anomali: UEBA
Sumber data: Log masuk Microsoft Entra
Log Keamanan Windows
Taktik MITRE ATT&CK: Akses Info Masuk
Teknik MITRE ATT&CK: T1110 - Brute Force
Aktivitas: ID Microsoft Entra: Aktivitas masuk
Keamanan Windows: Gagal masuk (ID Peristiwa 4625)

Kembali ke daftar | anomali UEBA Kembali ke atas

Pengaturan Ulang Kata Sandi Anomali

Deskripsi: Musuh dapat mengganggu ketersediaan sistem dan sumber daya jaringan dengan menghambat akses ke akun yang digunakan oleh pengguna yang sah. Akun dapat dihapus, dikunci, atau dimanipulasi (misalnya: informasi masuk yang diubah) untuk menghapus akses ke akun.

Atribut Nilai
Jenis anomali: UEBA
Sumber data: Log audit Microsoft Entra
Taktik MITRE ATT&CK: Dampak
Teknik MITRE ATT&CK: T1531 - Penghapusan Akses Akun
Aktivitas: Direktori Inti/UserManagement/Pengaturan ulang kata sandi pengguna

Kembali ke daftar | anomali UEBA Kembali ke atas

Hak Istimewa Anomali Diberikan

Deskripsi: Musuh dapat menambahkan informasi masuk yang dikontrol musuh untuk Azure Service Principals selain informasi masuk yang sah yang ada untuk memelihara akses yang persisten ke akun Azure korban.

Atribut Nilai
Jenis anomali: UEBA
Sumber data: Log audit Microsoft Entra
Taktik MITRE ATT&CK: Persistensi
Teknik MITRE ATT&CK: T1098 - Manipulasi Akun
Sub-teknik MITRE ATT&CK: Informasi masuk Azure Service Principal tambahan
Aktivitas: Provisi akun/Manajemen Aplikasi/Tambahkan penetapan peran aplikasi ke perwakilan layanan

Kembali ke daftar | anomali UEBA Kembali ke atas

Kredensial Masuk Anomali

Deskripsi: Musuh dapat mencuri informasi masuk dari pengguna tertentu atau akun layanan menggunakan teknik Akses Informasi Masuk atau menangkap informasi masuk sebelumnya dalam proses pengintaian melalui rekayasa sosial sebagai sarana mendapatkan Persistensi.

Atribut Nilai
Jenis anomali: UEBA
Sumber data: Log masuk Microsoft Entra
Log Keamanan Windows
Taktik MITRE ATT&CK: Persistensi
Teknik MITRE ATT&CK: T1078 - Akun yang Valid
Aktivitas: ID Microsoft Entra: Aktivitas masuk
Keamanan Windows: Berhasil masuk (ID Peristiwa 4624)

Kembali ke daftar | anomali UEBA Kembali ke atas

Anomali berbasis pembelajaran mesin

Anomali berbasis pembelajaran mesin yang dapat disesuaikan dari Microsoft Sentinel dapat mengidentifikasi perilaku anomali dengan templat aturan analitik yang dapat langsung digunakan. Meskipun anomali tidak selalu menunjukkan perilaku berbahaya atau bahkan mencurigakan, anomali dapat digunakan untuk meningkatkan deteksi, penyelidikan, dan perburuan ancaman.

Sesi masuk Microsoft Entra anomali

Deskripsi: Model pembelajaran mesin mengelompokkan log masuk Microsoft Entra berdasarkan per pengguna. Model ini dilatih pada 6 hari sebelumnya berdasarkan perilaku masuk pengguna. Ini menunjukkan sesi kredensial masuk pengguna yang anomali selama satu hari terakhir.

Atribut Nilai
Jenis anomali: Pembelajaran mesin yang dapat disesuaikan
Sumber data: Log masuk Microsoft Entra
Taktik MITRE ATT&CK: Akses Awal
Teknik MITRE ATT&CK: T1078 - Akun yang Valid
T1566 - Pengelabuan
T1133 - Layanan Jarak Jauh Eksternal

Kembali ke daftar | anomali berbasis pembelajaran mesin Kembali ke atas

Operasi Azure anomali

Deskripsi: Algoritma deteksi ini mengumpulkan data selama 21 hari pada operasi Azure yang dikelompokkan oleh pengguna untuk melatih model ML ini. Algoritma kemudian menghasilkan anomali dalam kasus pengguna yang melakukan urutan operasi yang jarang terjadi di ruang kerja mereka. Model ML terlatih menilai operasi yang dilakukan oleh pengguna dan menganggap operasi yang skornya lebih besar dari ambang yang ditentukan sebagai anomali.

Atribut Nilai
Jenis anomali: Pembelajaran mesin yang dapat disesuaikan
Sumber data: Log Aktivitas Azure
Taktik MITRE ATT&CK: Akses Awal
Teknik MITRE ATT&CK: T1190 - Mengeksploitasi Aplikasi yang Dapat Diakses Publik

Kembali ke daftar | anomali berbasis pembelajaran mesin Kembali ke atas

Eksekusi Kode Anomali

Deskripsi: Penyerang dapat menyalahgunakan perintah dan penerjemah skrip untuk menjalankan perintah, skrip, atau biner. Antarmuka dan bahasa komputer ini menyediakan cara berinteraksi dengan sistem komputer dan merupakan fitur umum di berbagai platform.

Atribut Nilai
Jenis anomali: Pembelajaran mesin yang dapat disesuaikan
Sumber data: Log Aktivitas Azure
Taktik MITRE ATT&CK: Eksekusi
Teknik MITRE ATT&CK: T1059 - Penerjemah Perintah dan Skrip

Kembali ke daftar | anomali berbasis pembelajaran mesin Kembali ke atas

Pembuatan akun lokal anomali

Deskripsi: Algoritma ini mendeteksi pembuatan akun lokal anomali pada sistem Windows. Penyerang dapat membuat akun lokal untuk memelihara akses ke sistem yang ditargetkan. Algoritma ini menganalisis aktivitas pembuatan akun lokal selama 14 hari sebelumnya oleh pengguna. Ini mencari aktivitas serupa pada hari ini dari pengguna yang sebelumnya tidak terlihat dalam aktivitas historis. Anda dapat menentukan daftar yang diizinkan untuk memfilter pengguna yang diketahui agar tidak memicu anomali ini.

Atribut Nilai
Jenis anomali: Pembelajaran mesin yang dapat disesuaikan
Sumber data: Log Keamanan Windows
Taktik MITRE ATT&CK: Persistensi
Teknik MITRE ATT&CK: T1136 - Buat Akun

Kembali ke daftar | anomali berbasis pembelajaran mesin Kembali ke atas

Aktivitas pemindaian anomali

Deskripsi: Algoritma ini mencari aktivitas pemindaian port, berasal dari satu IP sumber ke satu atau beberapa IP tujuan, yang biasanya tidak terlihat di lingkungan tertentu.

Algoritma memperhitungkan apakah IP bersifat publik/eksternal atau privat/internal, dan peristiwa ditandai dengan sesuai. Hanya aktivitas privat ke publik atau publik ke privat yang dipertimbangkan saat ini. Aktivitas pemindaian dapat menunjukkan bahwa penyerang mencoba menentukan layanan yang tersedia di lingkungan yang berpotensi dieksploitasi dan digunakan untuk pergerakan ingress atau lateral. Sejumlah besar port sumber dan tingginya jumlah port tujuan dari satu IP sumber ke satu atau beberapa IP tujuan bisa menjadi menarik dan menunjukkan pemindaian anomali. Selain itu, jika ada rasio IP tujuan yang tinggi terhadap IP sumber tunggal, hal ini dapat menunjukkan pemindaian anomali.

Detail konfigurasi:

  • Default eksekusi pekerjaan adalah harian, dengan bin per jam.
    Algoritma menggunakan default yang dapat dikonfigurasi berikut untuk membatasi hasil berdasarkan bin per jam.
  • Tindakan perangkat yang disertakan - terima, izinkan, mulai
  • Port yang dikecualikan - 53, 67, 80, 8080, 123, 137, 138, 443, 445, 3389
  • Jumlah port tujuan yang berbeda >= 600
  • Jumlah port sumber yang berbeda >= 600
  • Jumlah port sumber yang berbeda dibagi dengan port tujuan yang berbeda, rasio dikonversi ke persen >= 99,99
  • IP sumber (selalu 1) dibagi dengan IP tujuan, rasio dikonversi ke persen >= 99,99
Atribut Nilai
Jenis anomali: Pembelajaran mesin yang dapat disesuaikan
Sumber data: CommonSecurityLog (PAN, Zscaler, CEF, CheckPoint, Fortinet)
Taktik MITRE ATT&CK: Penemuan
Teknik MITRE ATT&CK: T1046 - Pemindaian Layanan Jaringan

Kembali ke daftar | anomali berbasis pembelajaran mesin Kembali ke atas

Aktivitas pengguna anomali di Office Exchange

Deskripsi: Model pembelajaran mesin ini mengelompokkan upaya masuk Office Exchange per pengguna ke dalam wadah per jam. Kami menentukan satu jam sebagai sesi. Model ini dilatih berdasarkan perilaku 7 hari sebelumnya di seluruh pengguna reguler (non-admin). Ini menunjukkan sesi pengguna Office Exchange anomali di hari terakhir.

Atribut Nilai
Jenis anomali: Pembelajaran mesin yang dapat disesuaikan
Sumber data: Log Aktivitas Office (Exchange)
Taktik MITRE ATT&CK: Persistensi
Koleksi
Teknik MITRE ATT&CK: Koleksi:
T1114 - Koleksi Email
T1213 - Data dari Repositori Informasi

Persistensi:
T1098 - Manipulasi Akun
T1136 - Buat Akun
T1137 - Mulai Aplikasi Office
T1505 - Komponen Perangkat Lunak Server Software

Kembali ke daftar | anomali berbasis pembelajaran mesin Kembali ke atas

Aktivitas pengguna/aplikasi anomali di log audit Azure

Deskripsi: Algoritma ini mengidentifikasi sesi pengguna/aplikasi anomali Azure dalam log audit selama satu hari terakhir, berdasarkan perilaku 21 hari sebelumnya di seluruh pengguna dan aplikasi. Algoritma memeriksa volume data yang memadai sebelum melatih model.

Atribut Nilai
Jenis anomali: Pembelajaran mesin yang dapat disesuaikan
Sumber data: Log audit Microsoft Entra
Taktik MITRE ATT&CK: Koleksi
Penemuan
Akses Awal
Persistensi
Eskalasi Hak Istimewa
Teknik MITRE ATT&CK: Koleksi:
T1530 - Data dari Objek Penyimpanan Cloud

Penemuan:
T1087 - Penemuan Akun
T1538 - Dasbor Layanan Cloud
T1526 - Penemuan Layanan Cloud
T1069 - Penemuan Grup Izin
T1518 - Penemuan Perangkat Lunak

Akses Awal:
T1190 - Mengeksploitasi Aplikasi yang Dapat Diakses Publik
T1078 - Akun yang Valid

Persistensi:
T1098 - Manipulasi Akun
T1136 - Buat Akun
T1078 - Akun yang Valid

Eskalasi Hak Istimewa:
T1484 - Modifikasi Kebijakan Domain
T1078 - Akun yang Valid

Kembali ke daftar | anomali berbasis pembelajaran mesin Kembali ke atas

Aktivitas log W3CIIS anomali

Deskripsi: Algoritma pembelajaran mesin ini menunjukkan sesi IIS anomali selama sehari terakhir. Ini akan menangkap, misalnya, kueri URI, agen pengguna, atau upaya masuk pada sesi, atau kata kerja HTTP atau status HTTP tertentu pada sesi dalam jumlah besar yang tidak biasa. Algoritma mengidentifikasi peristiwa W3CIISLog yang tidak biasa dalam sesi per jam, dikelompokkan menurut nama situs dan IP klien. Model ini dilatih berdasarkan aktivitas IIS 7 hari sebelumnya. Algoritma memeriksa volume aktivitas IIS yang memadai sebelum melatih model.

Atribut Nilai
Jenis anomali: Pembelajaran mesin yang dapat disesuaikan
Sumber data: Log W3CIIS
Taktik MITRE ATT&CK: Akses Awal
Persistensi
Teknik MITRE ATT&CK: Akses Awal:
T1190 - Mengeksploitasi Aplikasi yang Dapat Diakses Publik

Persistensi:
T1505 - Komponen Perangkat Lunak Server Software

Kembali ke daftar | anomali berbasis pembelajaran mesin Kembali ke atas

Aktivitas permintaan web anomali

Deskripsi: Algoritma ini mengelompokkan peristiwa W3CIISLog ke dalam sesi per jam yang dikelompokkan menurut nama situs dan batang URI. Model pembelajaran mesin mengidentifikasi sesi dengan jumlah permintaan yang sangat tinggi dan tidak biasa yang memicu kode respons kelas 5xx dalam sehari terakhir. Kode kelas 5xx adalah indikasi bahwa beberapa ketidakstabilan aplikasi atau kondisi kesalahan telah dipicu oleh permintaan. Mereka bisa menjadi indikasi bahwa penyerang menyelidiki batang URI untuk kerentanan dan masalah konfigurasi, melakukan beberapa aktivitas eksploitasi seperti injeksi SQL, atau memanfaatkan kerentanan yang belum di-patch. Algoritma ini menggunakan data selama 6 hari untuk pelatihan.

Atribut Nilai
Jenis anomali: Pembelajaran mesin yang dapat disesuaikan
Sumber data: Log W3CIIS
Taktik MITRE ATT&CK: Akses Awal
Persistensi
Teknik MITRE ATT&CK: Akses Awal:
T1190 - Mengeksploitasi Aplikasi yang Dapat Diakses Publik

Persistensi:
T1505 - Komponen Perangkat Lunak Server Software

Kembali ke daftar | anomali berbasis pembelajaran mesin Kembali ke atas

Percobaan brute force komputer

Deskripsi: Algoritma ini mendeteksi volume upaya masuk gagal yang tinggi dan tidak biasa (ID peristiwa keamanan 4625) per komputer selama sehari terakhir. Model ini dilatih berdasarkan log peristiwa keamanan Windows 21 hari sebelumnya.

Atribut Nilai
Jenis anomali: Pembelajaran mesin yang dapat disesuaikan
Sumber data: Log Keamanan Windows
Taktik MITRE ATT&CK: Akses Info Masuk
Teknik MITRE ATT&CK: T1110 - Brute Force

Kembali ke daftar | anomali berbasis pembelajaran mesin Kembali ke atas

Percobaan brute force akun pengguna

Deskripsi: Algoritma ini mendeteksi volume upaya masuk gagal yang tinggi dan tidak biasa (ID peristiwa keamanan 4625) per akun selama sehari terakhir. Model ini dilatih berdasarkan log peristiwa keamanan Windows 21 hari sebelumnya.

Atribut Nilai
Jenis anomali: Pembelajaran mesin yang dapat disesuaikan
Sumber data: Log Keamanan Windows
Taktik MITRE ATT&CK: Akses Info Masuk
Teknik MITRE ATT&CK: T1110 - Brute Force

Kembali ke daftar | anomali berbasis pembelajaran mesin Kembali ke atas

Percobaan brute force akun pengguna per jenis upaya masuk

Deskripsi: Algoritma ini mendeteksi volume upaya masuk gagal yang tinggi dan tidak biasa (ID peristiwa keamanan 4625) per akun pengguna per jenis upaya masuk selama sehari terakhir. Model ini dilatih berdasarkan log peristiwa keamanan Windows 21 hari sebelumnya.

Atribut Nilai
Jenis anomali: Pembelajaran mesin yang dapat disesuaikan
Sumber data: Log Keamanan Windows
Taktik MITRE ATT&CK: Akses Info Masuk
Teknik MITRE ATT&CK: T1110 - Brute Force

Kembali ke daftar | anomali berbasis pembelajaran mesin Kembali ke atas

Percobaan brute force akun pengguna per alasan kegagalan

Deskripsi: Algoritma ini mendeteksi volume upaya masuk gagal yang tinggi dan tidak biasa (ID peristiwa keamanan 4625) per akun pengguna per alasan kegagalan selama sehari terakhir. Model ini dilatih berdasarkan log peristiwa keamanan Windows 21 hari sebelumnya.

Atribut Nilai
Jenis anomali: Pembelajaran mesin yang dapat disesuaikan
Sumber data: Log Keamanan Windows
Taktik MITRE ATT&CK: Akses Info Masuk
Teknik MITRE ATT&CK: T1110 - Brute Force

Kembali ke daftar | anomali berbasis pembelajaran mesin Kembali ke atas

Mendeteksi perilaku suar jaringan yang dihasilkan mesin

Deskripsi: Algoritma ini mengidentifikasi pola suar dari log koneksi lalu lintas jaringan berdasarkan pola delta waktu berulang. Setiap koneksi jaringan terhadap jaringan publik yang tidak tepercaya pada delta waktu berulang adalah indikasi panggilan balik malware atau upaya penyelundupan data. Algoritma akan menghitung delta waktu antara koneksi jaringan berturut-turut antara IP sumber dan IP tujuan yang sama, serta jumlah koneksi dalam urutan delta waktu antara sumber dan tujuan yang sama. Persentase suar dihitung sebagai koneksi dalam urutan delta waktu terhadap total koneksi dalam sehari.

Atribut Nilai
Jenis anomali: Pembelajaran mesin yang dapat disesuaikan
Sumber data: CommonSecurityLog (PAN)
Taktik MITRE ATT&CK: Perintah dan Kontrol
Teknik MITRE ATT&CK: T1071 - Protokol Lapisan Aplikasi
T1132 - Pengodean Data
T1001 - Data Obfuscation
T1568 - Resolusi Dinamis
T1573 - Saluran Terenkripsi
T1008 - Saluran Fallback
T1104 - Saluran Multi-Tahap
T1095 - Protokol Lapisan Non-Aplikasi
T1571 - Port Non-Standar
T1572 - Penerowongan Protokol
T1090 - Proksi
T1205 - Sinyal Lalu Lintas
T1102 - Layanan Web

Kembali ke daftar | anomali berbasis pembelajaran mesin Kembali ke atas

Algoritma pembuatan domain (DGA) pada domain DNS

Deskripsi: Model pembelajaran mesin ini menunjukkan domain DGA potensial sehari terakhir dalam log DNS. Algoritma berlaku untuk rekaman DNS yang diselesaikan ke alamat IPv4 dan IPv6.

Atribut Nilai
Jenis anomali: Pembelajaran mesin yang dapat disesuaikan
Sumber data: Peristiwa DNS
Taktik MITRE ATT&CK: Perintah dan Kontrol
Teknik MITRE ATT&CK: T1568 - Resolusi Dinamis

Kembali ke daftar | anomali berbasis pembelajaran mesin Kembali ke atas

Anomali Palo Alto Reputasi Domain (DIHENTIKAN)

Deskripsi: Algoritma ini mengevaluasi reputasi untuk semua domain yang terlihat khususnya di log firewall Palo Alto (produk PAN-OS). Skor anomali yang tinggi menunjukkan reputasi rendah, menunjukkan bahwa domain telah diamati karena menghosting konten berbahaya atau kemungkinan akan melakukannya.

Kembali ke daftar | anomali berbasis pembelajaran mesin Kembali ke atas

Anomali transfer data yang berlebihan

Deskripsi: Algoritma ini mendeteksi transfer data yang sangat tinggi dan tidak biasa yang diamati dalam log jaringan. Ini menggunakan rangkaian waktu untuk menguraikan data menjadi komponen musiman, tren, dan sisa untuk menghitung garis besar. Setiap penyimpangan besar yang tiba-tiba dari garis besar riwayat dianggap sebagai aktivitas anomali.

Atribut Nilai
Jenis anomali: Pembelajaran mesin yang dapat disesuaikan
Sumber data: CommonSecurityLog (PAN, Zscaler, CEF, CheckPoint, Fortinet)
Taktik MITRE ATT&CK: Penyelundupan
Teknik MITRE ATT&CK: T1030 - Batas Ukuran Transfer Data
T1041 - Penyelundupan Melalui Saluran C2
T1011 - Penyelundupan Melalui Media Jaringan Lainnya
T1567 - Penyelundupan Melalui Layanan Web
T1029 - Transfer Terjadwal
T1537 - Mentransfer Data ke Akun Cloud

Kembali ke daftar | anomali berbasis pembelajaran mesin Kembali ke atas

Unduhan Berlebihan melalui Palo Alto GlobalProtect

Deskripsi: Algoritma ini mendeteksi volume unduhan per akun pengguna yang tinggi dan tidak biasa melalui solusi Palo Alto VPN. Model ini dilatih berdasarkan log VPN 14 hari sebelumnya. Ini menunjukkan volume unduhan anomali yang tinggi dalam sehari terakhir.

Atribut Nilai
Jenis anomali: Pembelajaran mesin yang dapat disesuaikan
Sumber data: CommonSecurityLog (PAN VPN)
Taktik MITRE ATT&CK: Penyelundupan
Teknik MITRE ATT&CK: T1030 - Batas Ukuran Transfer Data
T1041 - Penyelundupan Melalui Saluran C2
T1011 - Penyelundupan Melalui Media Jaringan Lainnya
T1567 - Penyelundupan Melalui Layanan Web
T1029 - Transfer Terjadwal
T1537 - Mentransfer Data ke Akun Cloud

Kembali ke daftar | anomali berbasis pembelajaran mesin Kembali ke atas

Unggahan berlebihan melalui Palo Alto GlobalProtect

Deskripsi: Algoritma ini mendeteksi volume unggahan per akun pengguna yang tinggi dan tidak biasa melalui solusi Palo Alto VPN. Model ini dilatih berdasarkan log VPN 14 hari sebelumnya. Ini menunjukkan volume unggahan anomali yang tinggi dalam sehari terakhir.

Atribut Nilai
Jenis anomali: Pembelajaran mesin yang dapat disesuaikan
Sumber data: CommonSecurityLog (PAN VPN)
Taktik MITRE ATT&CK: Penyelundupan
Teknik MITRE ATT&CK: T1030 - Batas Ukuran Transfer Data
T1041 - Penyelundupan Melalui Saluran C2
T1011 - Penyelundupan Melalui Media Jaringan Lainnya
T1567 - Penyelundupan Melalui Layanan Web
T1029 - Transfer Terjadwal
T1537 - Mentransfer Data ke Akun Cloud

Kembali ke daftar | anomali berbasis pembelajaran mesin Kembali ke atas

Masuk dari wilayah yang tidak biasa melalui masuk akun Palo Alto GlobalProtect

Deskripsi: Ketika akun Palo Alto GlobalProtect masuk dari wilayah sumber yang jarang masuk selama 14 hari terakhir, anomali dipicu. Anomali ini dapat menunjukkan bahwa akun telah disusupi.

Atribut Nilai
Jenis anomali: Pembelajaran mesin yang dapat disesuaikan
Sumber data: CommonSecurityLog (PAN VPN)
Taktik MITRE ATT&CK: Akses Info Masuk
Akses Awal
Gerakan Lateral
Teknik MITRE ATT&CK: T1133 - Layanan Jarak Jauh Eksternal

Kembali ke daftar | anomali berbasis pembelajaran mesin Kembali ke atas

Login multi-wilayah dalam satu hari melalui Palo Alto GlobalProtect (DISCONTINUED)

Deskripsi: Algoritma ini mendeteksi akun pengguna yang memiliki kredensial masuk dari beberapa wilayah yang tidak berdekatan dalam satu hari melalui PALO Alto VPN.

Kembali ke daftar | anomali berbasis pembelajaran mesin Kembali ke atas

Penahapan data potensial

Deskripsi: Algoritma ini membandingkan unduhan file yang berbeda per pengguna dari minggu sebelumnya dengan unduhan hari ini untuk setiap pengguna, dan anomali dipicu ketika jumlah unduhan file yang berbeda melebihi jumlah simpangan baku yang dikonfigurasi di atas rata-rata. Saat ini algoritma hanya menganalisis file yang umumnya terlihat selama penyelundupan dokumen, gambar, video, dan arsip dengan ekstensi doc, docx, xls, xlsx, xlsm, ppt, pptx, one, pdf, zip, rar, bmp, jpg, mp3, mp4, dan mov.

Atribut Nilai
Jenis anomali: Pembelajaran mesin yang dapat disesuaikan
Sumber data: Log Aktivitas Office (Exchange)
Taktik MITRE ATT&CK: Koleksi
Teknik MITRE ATT&CK: T1074 - Data Ditahapkan

Kembali ke daftar | anomali berbasis pembelajaran mesin Kembali ke atas

Algoritma pembuatan domain (DGA) potensial pada Domain DNS tingkat berikutnya

Deskripsi: Model pembelajaran mesin ini menunjukkan domain tingkat berikutnya (tingkat ketiga dan ke atas) dari nama domain dari hari terakhir log DNS yang tidak biasa. Mereka berpotensi menjadi output dari algoritma pembuatan domain (DGA). Algoritma berlaku untuk rekaman DNS yang diselesaikan ke alamat IPv4 dan IPv6.

Atribut Nilai
Jenis anomali: Pembelajaran mesin yang dapat disesuaikan
Sumber data: Peristiwa DNS
Taktik MITRE ATT&CK: Perintah dan Kontrol
Teknik MITRE ATT&CK: T1568 - Resolusi Dinamis

Kembali ke daftar | anomali berbasis pembelajaran mesin Kembali ke atas

Perubahan geografi mencurigakan dalam proses masuk akun Palo Alto GlobalProtect

Deskripsi: Kecocokan menunjukkan bahwa pengguna masuk dari jarak jauh dari negara/wilayah yang berbeda dari negara/wilayah login jarak jauh terakhir pengguna. Aturan ini mungkin juga menunjukkan penyusupan akun, terutama jika kecocokan aturan terjadi dalam waktu yang berdekatan. Ini termasuk skenario perjalanan yang tidak mungkin.

Atribut Nilai
Jenis anomali: Pembelajaran mesin yang dapat disesuaikan
Sumber data: CommonSecurityLog (PAN VPN)
Taktik MITRE ATT&CK: Akses Awal
Akses Info Masuk
Teknik MITRE ATT&CK: T1133 - Layanan Jarak Jauh Eksternal
T1078 - Akun yang Valid

Kembali ke daftar | anomali berbasis pembelajaran mesin Kembali ke atas

Jumlah mencurigakan dari dokumen yang dilindungi yang diakses

Deskripsi: Algoritma ini mendeteksi volume akses yang tinggi ke dokumen yang dilindungi di log Microsoft Azure Information Protection (AIP). Ini mempertimbangkan rekaman beban kerja AIP selama jumlah hari tertentu dan menentukan apakah pengguna melakukan akses yang tidak biasa ke dokumen yang dilindungi dalam sehari terkait perilaku historis.

Atribut Nilai
Jenis anomali: Pembelajaran mesin yang dapat disesuaikan
Sumber data: Log Microsoft Azure Information Protection
Taktik MITRE ATT&CK: Koleksi
Teknik MITRE ATT&CK: T1530 - Data dari Objek Penyimpanan Cloud
T1213 - Data dari Repositori Informasi
T1005 - Data dari Sistem Lokal
T1039 - Data dari Drive Berbagi Jaringan
T1114 - Koleksi Email

Kembali ke daftar | anomali berbasis pembelajaran mesin Kembali ke atas

Volume panggilan AWS API yang mencurigakan dari alamat IP sumber Non-AWS

Deskripsi: Algoritma ini mendeteksi volume panggilan AWS API yang tinggi dan tidak biasa per akun pengguna per ruang kerja, dari alamat IP sumber di luar rentang IP sumber AWS, dalam sehari terakhir. Model ini dilatih berdasarkan peristiwa log AWS CloudTrail 21 hari sebelumnya oleh alamat IP sumber. Aktivitas ini dapat menunjukkan bahwa akun pengguna disusupi.

Atribut Nilai
Jenis anomali: Pembelajaran mesin yang dapat disesuaikan
Sumber data: Log AWS CloudTrail
Taktik MITRE ATT&CK: Akses Awal
Teknik MITRE ATT&CK: T1078 - Akun yang Valid

Kembali ke daftar | anomali berbasis pembelajaran mesin Kembali ke atas

Volume peristiwa log AWS CloudTrail yang mencurigakan dari akun pengguna grup oleh EventTypeName

Deskripsi: Algoritma ini mendeteksi volume peristiwa yang tinggi dan tidak biasa per akun pengguna grup, berdasarkan jenis peristiwa yang berbeda (AwsApiCall, AwsServiceEvent, AwsConsoleSignIn, AwsConsoleAction), di log AWS CloudTrail Anda dalam sehari terakhir. Model ini dilatih berdasarkan peristiwa log AWS CloudTrail 21 hari sebelumnya oleh akun pengguna grup. Aktivitas ini dapat menunjukkan bahwa akun disusupi.

Atribut Nilai
Jenis anomali: Pembelajaran mesin yang dapat disesuaikan
Sumber data: Log AWS CloudTrail
Taktik MITRE ATT&CK: Akses Awal
Teknik MITRE ATT&CK: T1078 - Akun yang Valid

Kembali ke daftar | anomali berbasis pembelajaran mesin Kembali ke atas

Volume panggilan API tulis AWS yang mencurigakan dari akun pengguna

Deskripsi: Algoritma ini mendeteksi volume panggilan API tulis AWS yang tinggi dan tidak biasa per akun pengguna dalam sehari terakhir. Model ini dilatih berdasarkan peristiwa log AWS CloudTrail 21 hari sebelumnya oleh akun pengguna. Aktivitas ini dapat menunjukkan bahwa akun disusupi.

Atribut Nilai
Jenis anomali: Pembelajaran mesin yang dapat disesuaikan
Sumber data: Log AWS CloudTrail
Taktik MITRE ATT&CK: Akses Awal
Teknik MITRE ATT&CK: T1078 - Akun yang Valid

Kembali ke daftar | anomali berbasis pembelajaran mesin Kembali ke atas

Volume upaya masuk yang gagal yang mencurigakan ke Konsol AWS oleh setiap akun pengguna grup

Deskripsi: Algoritma ini mendeteksi volume upaya masuk gagal yang tinggi dan tidak biasa ke Konsol AWS per akun pengguna grup di log AWS CloudTrail Anda dalam sehari terakhir. Model ini dilatih berdasarkan peristiwa log AWS CloudTrail 21 hari sebelumnya oleh akun pengguna grup. Aktivitas ini dapat menunjukkan bahwa akun disusupi.

Atribut Nilai
Jenis anomali: Pembelajaran mesin yang dapat disesuaikan
Sumber data: Log AWS CloudTrail
Taktik MITRE ATT&CK: Akses Awal
Teknik MITRE ATT&CK: T1078 - Akun yang Valid

Kembali ke daftar | anomali berbasis pembelajaran mesin Kembali ke atas

Volume upaya masuk yang gagal yang mencurigakan ke Konsol AWS oleh setiap alamat IP sumber

Deskripsi: Algoritma ini mendeteksi volume upaya masuk gagal yang tinggi dan tidak biasa ke Konsol AWS per alamat IP sumber di log AWS CloudTrail Anda dalam sehari terakhir. Model ini dilatih berdasarkan peristiwa log AWS CloudTrail 21 hari sebelumnya oleh alamat IP sumber. Aktivitas ini dapat menunjukkan bahwa alamat IP disusupi.

Atribut Nilai
Jenis anomali: Pembelajaran mesin yang dapat disesuaikan
Sumber data: Log AWS CloudTrail
Taktik MITRE ATT&CK: Akses Awal
Teknik MITRE ATT&CK: T1078 - Akun yang Valid

Kembali ke daftar | anomali berbasis pembelajaran mesin Kembali ke atas

Volume masuk yang mencurigakan ke komputer

Deskripsi: Algoritma ini mendeteksi volume upaya masuk yang berhasil yang tinggi dan tidak biasa (ID peristiwa keamanan 4624) per komputer selama sehari terakhir. Model ini dilatih berdasarkan log peristiwa Keamanan Windows 21 hari sebelumnya.

Atribut Nilai
Jenis anomali: Pembelajaran mesin yang dapat disesuaikan
Sumber data: Log Keamanan Windows
Taktik MITRE ATT&CK: Akses Awal
Teknik MITRE ATT&CK: T1078 - Akun yang Valid

Kembali ke daftar | anomali berbasis pembelajaran mesin Kembali ke atas

Volume masuk yang mencurigakan ke komputer dengan token yang lebih tinggi

Deskripsi: Algoritma ini mendeteksi volume upaya masuk yang berhasil yang tinggi dan tidak biasa (ID peristiwa keamanan 4624) dengan hak istimewa admin, per komputer selama sehari terakhir. Model ini dilatih berdasarkan log peristiwa Keamanan Windows 21 hari sebelumnya.

Atribut Nilai
Jenis anomali: Pembelajaran mesin yang dapat disesuaikan
Sumber data: Log Keamanan Windows
Taktik MITRE ATT&CK: Akses Awal
Teknik MITRE ATT&CK: T1078 - Akun yang Valid

Kembali ke daftar | anomali berbasis pembelajaran mesin Kembali ke atas

Volume masuk yang mencurigakan ke akun pengguna

Deskripsi: Algoritma ini mendeteksi volume upaya masuk yang berhasil yang tinggi dan tidak biasa (ID peristiwa keamanan 4624) per akun pengguna selama sehari terakhir. Model ini dilatih berdasarkan log peristiwa Keamanan Windows 21 hari sebelumnya.

Atribut Nilai
Jenis anomali: Pembelajaran mesin yang dapat disesuaikan
Sumber data: Log Keamanan Windows
Taktik MITRE ATT&CK: Akses Awal
Teknik MITRE ATT&CK: T1078 - Akun yang Valid

Kembali ke daftar | anomali berbasis pembelajaran mesin Kembali ke atas

Volume masuk yang mencurigakan ke akun pengguna berdasarkan jenis upaya masuk

Deskripsi: Algoritma ini mendeteksi volume upaya masuk yang berhasil yang tinggi dan tidak biasa (ID peristiwa keamanan 4624) per akun pengguna berdasarkan jenis upaya masuk yang berbeda selama sehari terakhir. Model ini dilatih berdasarkan log peristiwa Keamanan Windows 21 hari sebelumnya.

Atribut Nilai
Jenis anomali: Pembelajaran mesin yang dapat disesuaikan
Sumber data: Log Keamanan Windows
Taktik MITRE ATT&CK: Akses Awal
Teknik MITRE ATT&CK: T1078 - Akun yang Valid

Kembali ke daftar | anomali berbasis pembelajaran mesin Kembali ke atas

Volume masuk yang mencurigakan ke akun pengguna dengan token yang lebih tinggi

Deskripsi: Algoritma ini mendeteksi volume upaya masuk yang berhasil yang tinggi dan tidak biasa (ID peristiwa keamanan 4624) dengan hak istimewa admin, per akun pengguna, selama sehari terakhir. Model ini dilatih berdasarkan log peristiwa Keamanan Windows 21 hari sebelumnya.

Atribut Nilai
Jenis anomali: Pembelajaran mesin yang dapat disesuaikan
Sumber data: Log Keamanan Windows
Taktik MITRE ATT&CK: Akses Awal
Teknik MITRE ATT&CK: T1078 - Akun yang Valid

Kembali ke daftar | anomali berbasis pembelajaran mesin Kembali ke atas

Alarm firewall eksternal yang tidak biasa terdeteksi

Deskripsi: Algoritma ini mengidentifikasi alarm firewall eksternal yang tidak biasa yang merupakan tanda tangan ancaman yang dirilis oleh vendor firewall. Ini menggunakan aktivitas 7 hari terakhir untuk menghitung 10 tanda tangan yang paling banyak dipicu dan 10 host yang memicu tanda tangan paling banyak. Setelah mengecualikan kedua jenis peristiwa berisik, hal ini memicu anomali hanya setelah melebihi ambang batas untuk jumlah tanda tangan yang dipicu dalam satu hari.

Atribut Nilai
Jenis anomali: Pembelajaran mesin yang dapat disesuaikan
Sumber data: CommonSecurityLog (PAN)
Taktik MITRE ATT&CK: Penemuan
Perintah dan Kontrol
Teknik MITRE ATT&CK: Penemuan:
T1046 - Pemindaian Layanan Jaringan
T1135 - Penemuan Berbagi Jaringan

Komando dan Kontrol:
T1071 - Protokol Lapisan Aplikasi
T1095 - Protokol Lapisan Non-Aplikasi
T1571 - Port Non-Standar

Kembali ke daftar | anomali berbasis pembelajaran mesin Kembali ke atas

Label AIP yang turun tingkat secara masal yang tidak biasa

Deskripsi: Algoritma ini mendeteksi volume aktivitas label yang turun tingkat yang sangat tinggi dan tidak biasa di log Microsoft Azure Information Protection (AIP). Ini mempertimbangkan rekaman beban kerja "AIP" selama beberapa hari tertentu dan menentukan urutan aktivitas yang dilakukan pada dokumen bersama dengan label yang diterapkan untuk mengklasifikasikan volume aktivitas turun tingkat yang tidak biasa.

Atribut Nilai
Jenis anomali: Pembelajaran mesin yang dapat disesuaikan
Sumber data: Log Microsoft Azure Information Protection
Taktik MITRE ATT&CK: Koleksi
Teknik MITRE ATT&CK: T1530 - Data dari Objek Penyimpanan Cloud
T1213 - Data dari Repositori Informasi
T1005 - Data dari Sistem Lokal
T1039 - Data dari Drive Berbagi Jaringan
T1114 - Koleksi Email

Kembali ke daftar | anomali berbasis pembelajaran mesin Kembali ke atas

Komunikasi jaringan yang tidak biasa pada port yang biasa digunakan

Deskripsi: Algoritma ini mengidentifikasi komunikasi jaringan yang tidak biasa pada port yang biasa digunakan, membandingkan lalu lintas harian dengan garis besar dari 7 hari sebelumnya. Ini termasuk lalu lintas pada port yang biasa digunakan (22, 53, 80, 443, 8080, 8888), dan membandingkan lalu lintas harian dengan rata-rata dan simpangan baku beberapa atribut lalu lintas jaringan yang dihitung selama periode garis besar. Atribut lalu lintas yang dipertimbangkan adalah total peristiwa harian, transfer data harian, dan jumlah alamat IP sumber yang berbeda per port. Anomali dipicu ketika nilai harian lebih besar dari jumlah simpangan baku yang ditentukan di atas rata-rata.

Atribut Nilai
Jenis anomali: Pembelajaran mesin yang dapat disesuaikan
Sumber data: CommonSecurityLog (PAN, Zscaler, CheckPoint, Fortinet)
Taktik MITRE ATT&CK: Perintah dan Kontrol
Penyelundupan
Teknik MITRE ATT&CK: Komando dan Kontrol:
T1071 - Protokol Lapisan Aplikasi

Penyelundupan:
T1030 - Batas Ukuran Transfer Data

Kembali ke daftar | anomali berbasis pembelajaran mesin Kembali ke atas

Anomali volume jaringan yang tidak biasa

Deskripsi: Algoritma ini mendeteksi volume koneksi yang tinggi dan tidak biasa dalam log jaringan. Ini menggunakan rangkaian waktu untuk menguraikan data menjadi komponen musiman, tren, dan sisa untuk menghitung garis besar. Setiap penyimpangan besar yang tiba-tiba dari garis besar riwayat dianggap sebagai aktivitas anomali.

Atribut Nilai
Jenis anomali: Pembelajaran mesin yang dapat disesuaikan
Sumber data: CommonSecurityLog (PAN, Zscaler, CEF, CheckPoint, Fortinet)
Taktik MITRE ATT&CK: Penyelundupan
Teknik MITRE ATT&CK: T1030 - Batas Ukuran Transfer Data

Kembali ke daftar | anomali berbasis pembelajaran mesin Kembali ke atas

Lalu lintas web yang tidak biasa terdeteksi dengan IP di jalur URL

Deskripsi: Algoritma ini mengidentifikasi permintaan web yang tidak biasa yang mencantumkan alamat IP sebagai host. Algoritma menemukan semua permintaan web dengan alamat IP di jalur URL dan membandingkannya dengan data minggu sebelumnya untuk mengecualikan lalu lintas tidak berbahaya yang diketahui. Setelah mengecualikan lalu lintas tidak berbahaya yang diketahui, ini memicu anomali hanya setelah melebihi ambang tertentu dengan nilai yang dikonfigurasi seperti total permintaan web, jumlah URL yang terlihat dengan alamat IP tujuan host yang sama, dan jumlah IP sumber yang berbeda dalam kumpulan URL dengan alamat IP tujuan yang sama. Jenis permintaan ini dapat menunjukkan upaya untuk melewati layanan reputasi URL untuk tujuan berbahaya.

Atribut Nilai
Jenis anomali: Pembelajaran mesin yang dapat disesuaikan
Sumber data: CommonSecurityLog (PAN, Zscaler, CheckPoint, Fortinet)
Taktik MITRE ATT&CK: Perintah dan Kontrol
Akses Awal
Teknik MITRE ATT&CK: Komando dan Kontrol:
T1071 - Protokol Lapisan Aplikasi

Akses Awal:
T1189 - Kompromi Drive-by

Kembali ke daftar | anomali berbasis pembelajaran mesin Kembali ke atas

Langkah berikutnya