ISOC 和AI SOC:建造 SOC 为代理时代

我与我之间的关系SOC 以及人工智能 SOC 本文阐述了现代安全防御者的工作方式。它解释了集成安全运营中心如何提供人工智能所需的统一上下文。 SOC 代理人依赖于什么?当机器优先进行分类时,调查会发生怎样的变化?代理人时代需要什么样的治理、证据和人员配备模式?
#图片标题

人工智能和机器学习如何改善企业网络安全

连接复杂威胁形势中的所有点

#图片标题

亲身体验人工智能驱动的安全!

探索 Stellar Cyber​​ 的尖端 AI,实现即时威胁检测和响应。立即安排您的演示!

人工智能为何正在改变世界 SOC 卓越

安全运营中心最初的设计是围绕人工处理能力展开的。分析师分层就座,警报在控制台中排队,架构决策也针对一个人在一个班次内能够阅读、关联和处理的信息量进行了优化。智能体人工智能打破了这种假设。当软件能够在几秒钟内读取每个警报、提取相关遥测数据并得出结论时,瓶颈就从分析师的注意力转移到了数据访问和决策质量上。

这种转变会对建筑结构产生影响。 SOC 为人类设计,能够容忍碎片化,因为分析人员可以手动在不同工具之间切换。 SOC 为人工智能而设计的程序无法做到这一点,因为智能体基于不完整的数据进行推理会产生自信但不完整的答案。

结构上发生了哪些变化

  • 数据引力向中心移动。代理商需要将来自端点、网络、身份、云、电子邮件和 SaaS 的遥测数据集中在一个可查询的地方,而不是分散在各个产品孤岛中。
  • 规范化成为必要条件,而非锦上添花。 一致的模式和实体解析使代理能够识别出一个日志中的主机名和另一个日志中的 IP 地址描述的是同一资产。
  • 反应逐渐接近检测。只有当保存证据的平台也保存了行动钩子时,自动化隔离才能奏效。
  • 可审计性成为一项设计要求。 机器做出的每一个决定都需要留下可追溯的痕迹。
供应商们已通过将检测、关联和响应整合到统一平台中来应对这一挑战。例如,Stellar Cyber​​ 构建了其 Open XDR 围绕将第三方和原生遥测数据引入通用数据层的方法,这与代理工具所需的基础相同。

我SOC 符合人工智能 SOC

一个集成安全运营中心,或者,我SOC这种运营模式将工具、遥测、流程和人员整合到一个协调的结构中,而不是并行运行不同的程序。 SIEM以及 NDR、EDR、身份监控和云安全。SOC 与其说是一种产品类别,不如说是一种组织原则:一个信号汇聚之处,一个决策制定的工作流程。 AI SOC 而这正是建立在这一基础之上的。它将机器推理应用于集成数据,实现数据分类、关联、丰富,以及日益重要的初步调查。理解我SOC 以及人工智能 SOC 将彼此视为不同层次而非竞争对手,是制定路线图最清晰的方式。
维度 ISOC 层 AI SOC 层
主要目的 整合遥测数据、工具和工作流程 综合数据推理及行动
主输出 统一的可视性和关联警报 已调查案件并提出建议措施
关键依赖项 积分和归一化 集成层的质量和完整性
人类角色 操作和调整平台 监督、验证和处理升级事件
故障模式 工具之间的盲区 根据不完全证据得出自信的结论
那些在集成层尚未完善之前就试图购买人工智能层的组织通常很快就会发现其局限性。智能体在其能够看到的数据上表现良好,而对其余数据则默默忽略,这会造成一种覆盖面广的假象。

为何选择人工智能 SOC 代理需要统一的安全上下文

上下文是区分合理结论和正确结论的关键。一条孤立的 PowerShell 执行警报意义不大。但如果代理还能看到以下信息,那么同样的警报就变得有意义了:账户从异常位置进行了身份验证、主机最近连接到了一个新注册的域,以及同一子网中的另外两台机器上也出现了类似的序列。

智能体需要具备的良好推理能力。

  • 身份背景: 账户的所有者、账户拥有的权限以及账户的正常行为方式。
  • 资产背景: 受影响系统的业务关键性、暴露情况、所有者和补丁状态。
  • 网络上下文: 事件窗口前后的东西向移动、外部目的地和协议异常。
  • 历史背景: 这种模式以前是否出现过,以及如何出现过。
  • 威胁情报背景:与观察到的行为相关的已知基础设施、工具和技术映射。
在分散的环境中,整合这五项信息需要手动进行研究,且这项工作分散在多个控制台上。而在集成安全运营中心,只需一次查询即可完成。正是这种差异导致智能体人工智能安全领域的讨论始终围绕数据架构而非模型选择展开。将遥测数据规范化为共享模式并解析跨源实体的平台,能够减少智能体在开始推理之前需要完成的工作量。 恒星网络平台它将采集的第三方数据与原生传感器和行为分析相结合,是这一理念的商业体现。

人工智能如何 SOC 代理商使用安全数据

明确具体内容会有帮助。 人工智能社交代理 实际上,人工智能与数据密切相关,因为“人工智能”一词指的是人工智能。 SOC“”一词被应用于从简单的警报评分到多步骤自主调查的各种场景。实际上,通常会将几个不同的功能捆绑在一起。

常见代理功能

  1. 丰富。 将身份、资产、地理位置、声誉和漏洞数据附加到原始信号上,以便可以在上下文中进行判断。
  2. 相关性和聚类。 将跨时间、来源和实体的相关警报分组到一个案例中,而不是一堆重复的警报。
  3. 分诊和优先排序。 根据可能的严重程度和业务影响对案例进行评分,并抑制符合已知良性模式的案例。
  4. 假设检验。 像分析师一样对数据提出后续问题,例如检查是否在其他地方使用了相同的凭证。
  5. 行动建议。提出遏制措施,并可选择在定义的范围内自动执行这些措施。
这些功能各自消耗不同的数据,速度也各不相同。数据增强需要快速查找参考数据。相关性分析需要跨数据源的时间顺序视图。假设检验需要广泛的历史搜索。 SOC 仅支持单一访问模式的数据层会限制智能体的功能。此外,还存在反馈机制。当分析人员确认或否定智能体的结论时,该判断应作为带标签的输入返回给系统。如果没有闭环反馈,同样的误报就会无限重复出现,信任度也会随之下降。

从警报到人工智能驱动的调查

最直观的变革推动工具是工作单元。 传统 SOC管理警报。人工智能驱动 SOC分析员负责管理已调查的案件。他们不再创建“检测到可疑登录”之类的工单,而是创建已经包含时间线、涉事实体、收集到的证据和拟定处理方案的工单。

比较两种工作流程

阶段 以警报为中心 SOC AI 驱动 SOC
开学月份 分析师按严重程度审查队列 人工审核前的代理人分诊和分组
丰富 控制台之间的手动旋转 自动化并附在箱子上
作用域 分析师搜索相关活动 代理人将案件扩展到相关实体
决策 分析师从零开始得出结论 分析师验证或推翻已提出的结论
响应 手动将工单转给其他团队 已预先批准的行动已执行或已准备就绪,等待批准
这种重新调整改变了分析师的时间分配。他们不再花费大量时间收集信息,而是将更多精力放在判断上。这也改变了关键技能的侧重点。审查机器推理是否存在漏洞与知道接下来该打开哪个控制台是两种不同的能力。值得注意的风险是:当调查结果预先设定好时,确认偏差就更容易出现。团队需要有意识地进行一些实践,例如定期进行盲审,以确保验证过程是真诚的,而不是下意识的。

人工智能调查中的证据和可解释性

未经证实的AI结论只是一种观点。 SOC 如果决策会引发账户锁定、主机隔离和监管报告等问题,那么仅仅提供可解释性是不够的。可解释性必须融入工作流程,而不是在有人询问决策过程时才进行事后补救。

一份可辩护的人工智能案例记录包含哪些内容

  • 遥测数据来源参考: 所使用的具体日志、流程和检测,可以以原始形式检索。
  • 推理步骤:代理执行的查询和推理序列,按可读顺序排列。
  • 信心与不确定性:明确说明代理人无法确定的内容,而不仅仅是其得出的结论。
  • 已采取的行动:哪些操作是自动执行的,由哪项策略执行的,以及执行时间是什么时候。
  • 人为干预: 谁进行了审阅,他们修改了什么,以及为什么。
这些记录同时服务于三个用户群体。分析师利用它们快速验证数据;管理人员利用它们衡量代理的长期准确性;审计人员、监管机构和保险公司利用它们验证控制措施是否按预期运行。任何一种用途都足以证明这项工作的必要性;而所有这些用途结合起来,则使得可解释性成为不可或缺的要素。数据保留与数据生成同等重要。如果底层遥测数据在事件被提起诉讼或报告之前就因过期而从存储中消失,那么推理过程指向的证据将不复存在。数据保留策略和人工智能可解释性策略应该同步制定。

治理人工智能 SOC 经纪人

智能体人工智能安全治理与其说是限制技术本身,不如说是界定其无需监管即可运行的边界。一个恰当的比喻是:先授予新分析师有限的权限,仔细审查其工作,然后根据其能力表现逐步扩大权限。

一个切实可行的治理框架

  1. 定义行动层级。 分离式只读增强、可逆隔离(例如会话撤销)和破坏性操作(例如关闭生产主机)。自治层级逐级扩展。
  2. 设置环境范围。 代理可以在用户终端上自主运行,但需要域控制器、OT 系统或面向外部的基础设施的批准。
  3. 要求代理人提供身份验证。 代理应使用自己的凭证进行身份验证,拥有最小权限角色,并且其日志记录应与人类用户分开。
  4. 建立逆转路径。每个自动化操作都需要一个有文档记录、经过测试的回滚程序,以及一个负责调用该程序的人员。
  5. 测量和评估。 跟踪准确率、误报率、平均处置时间和覆盖频率,并按计划重新评估自主级别。
治理还必须将代理视为攻击面。通过攻击者控制的内容进行快速注入、检测逻辑被篡改以及服务帐户权限过高都是现实存在的问题。对待人工智能 SOC 将工具视为特权基础设施并进行相应的监控。

人机交互与自主系统 SOC 营运部

词组 ”自主性 SOC这种说法容易让人产生非此即彼的解读,但这与团队实际采用这项技术的方式并不相符。自主性是有等级划分的,大多数组织会根据不同的使用场景同时运行多个等级。
型号代理人角色人类角色典型拟合
辅助丰富和概括调查并决定早期采用,敏感环境
人类增强型调查并提出行动方案批准、否决、处理升级事宜大部分产量 SOC今天
受监督的自主调查并按照政策采取行动事后评论,曲调政策数量众多、易于理解的警报类别
完全自主端到端处理仅限异常管理狭窄的、有界的场景

目前,大部分可衡量的价值都体现在人机协作操作中。它消除了导致分析师流失的重复性数据收集工作,同时又让了解业务背景的人员对模糊案例做出判断。Stellar Cyber​​ 也以类似的方式描述了其发展方向,将目标设定为实现人机协作的自主系统。 SOC 而不是无人看管的。

实际应用模式是选择一到两种高流量、低歧义的警报类型,例如常见的网络钓鱼报告或已知良性的扫描器流量,并让代理在审核下进行端到端处理。只有当准确率数据支持时,才应扩展覆盖范围。

从我SOC 到自主 SOC

从一体化到综合的路径 SOC 更自主的阶段是循序渐进的。每个阶段都会产生一些东西,供下一个阶段消耗,这就是为什么跳过某些阶段往往会令人失望的原因。

成熟阶段

  1. 巩固。 将来自端点、网络、身份、云和应用程序的遥测数据整合到一个共享的、规范化的数据层中,并实现一致的实体解析。
  2. 關聯。 将警报列表替换为案例级分组,以便相关信号以一个故事的形式出现,而不是以十五个工单的形式出现。
  3. 实现自动化信息丰富。 自动附加上下文信息,这样分析师就不会从收集基本信息开始调查。
  4. 代表分诊。让代理对已定义的警报类别进行人工审核,并衡量一致率。
  5. 延伸至回应。 在限定范围内授予可逆的隔离权限,并具备完整的日志记录和回滚功能。
  6. 持续治理。 定期审查自主边界、准确度指标和覆盖范围差距。
衡量进展的标准是结果,而非功能采用率。有​​用的指标包括无需人工干预即可结案的比例、通过审计抽样核查的结案准确率、从首次发出警报到控制住威胁的时间缩短,以及分析师用于调查和数据收集的时间比例。同样重要的是要追踪哪些方面没有改进。如果自动分诊率上升,而真正入侵事件的停留时间保持不变,则表明代理可能在高效处理噪声的同时,错过了真正重要的案件。

准备 SOC 为代理时代

准备工作大多是枯燥乏味的数据、流程和人员方面的工作。通常情况下,那些最先完成集成工作的团队,而不是那些购买了最先进型号的团队,才是从智能代理工具中获益最多的团队。

数据准备

  • 库存遥测数据源,并确定哪些数据源已集成 SOC 平台目前不支持数据摄取。
  • 验证身份和资产在不同来源之间解析是否一致,因为实体解析错误会悄悄降低每个下游推理的性能。
  • 使数据保留期限与组织实际面临的调查和报告时间表保持一致。

流程准备

  • 详细记录当前的分类决策,以便能够根据机器输出结果进行评估。
  • 在授予代理人任何操作权限之前,必须先定义审批流程和升级路径。
  • 建立反馈机制,将分析师的修改意见以结构化输入而非自由文本注释的形式记录下来。

人员准备情况

  • 将角色定义从队列处理转向验证、威胁搜寻、检测工程和代理监督。
  • 训练分析人员质疑机器推理,包括识别何时代理的证据不支持其结论。
  • 明确指定某人负责人工智能治理、指标和自主策略,而不是让这些权力分散管理。
在评估平台时,区分实质内容和营销手段的关键问题往往在于人工智能底层。哪些数据源是原生集成的,哪些需要定制开发?如何解析实体?调查会产生哪些证据,这些证据是否可以导出?对自动化操作有哪些控制措施,这些操作又是如何记录的?集成平台中的供应商 SOC 和 Open XDR 太空领域,包括星际网络空间,应该能够直接回答这些问题。一起阅读,我SOC 以及人工智能 SOC 用两层架构来描述一种架构:集成提供完整、规范化的上下文,而智能体推理则以人类自身无法企及的速度将该上下文转化为决策。如果只构建第二层而忽略第一层,就会快速得到错误问题的答案。只有按顺序构建这两层,才能构建出自主系统。 SOC 务实而非理想化。

关于 I 的常见问题解答SOC 以及人工智能 SOC

团队在计划从集成系统迁移时经常会问到以下问题 SOC 迈向代理操作。
问:我SOC 是买来的,还是自己做的?
主要是用一些配套产品搭建出来的。SOC 它描述了一种组织原则,即信号汇聚于一处,决策在同一工作流程中做出。具备广泛原生数据摄取、规范化和实体解析功能的平台能大大简化这一过程,但其运行模式仍需团队设计。
你可以这样做,但效果有限。代理程序只能处理它能够访问的数据,而会悄悄忽略其他所有数据,这会造成一种覆盖面广的假象。如果你的终端、身份、网络和云遥测数据各自独立存储,代理程序就会继承它们之间的所有盲点。
追踪无需人工干预即可结案的比例、抽样审核时这些结案的准确性、人工干预频率以及从首次发出警报到控制住局面所需的时间。同时,也要关注哪些方面没有改善。自主分诊率上升而停留时间保持不变,表明代理人员处理的是噪音,而不是真正的入侵事件。
它们取代的是重复性的数据收集工作,而不是人。分析师的角色转向验证机器推理、威胁搜寻、检测工程和代理监控。审查代理提供的证据是否存在漏洞,与知道接下来该打开哪个控制台是截然不同的技能,需要专门的培训。
只有当案例记录具有可辩护性时才有效。这意味着需要提供可检索的源遥测数据、清晰易懂的推理步骤、明确说明代理无法确定的内容、根据何种策略采取的行动以及任何人工干预。保留期限也很重要,因为如果底层日志已过期,推理过程将毫无价值。
是的,它应该作为特权基础设施进行监控。实际存在的问题包括攻击者通过控制的内容进行快速注入、检测逻辑被篡改以及服务帐户权限过高。为代理赋予各自经过身份验证的、权限最小的角色,并将其日志与人类用户分开记录,是一种切实可行的初始控制措施。
首先整合并规范遥测数据,然后修复实体解析问题,确保主机名、IP 地址和账户映射到相同的资产和身份。之后,针对一到两个高流量、低歧义的待审核告警类别,自动进行数据丰富和优先级排序,只有在准确率数据支持的情况下才扩展范围。

听起来太好了
是真的吗?
自己看吧!

滚动到顶部