原文Sqrrl
https://www.threathunting.net/files/framework-for-threat-hunting-whitepaper.pdf
发布单位介绍：
Sqrrl是一家威胁狩猎服务提供商，2012年成立，获多家投资，2018年被AWS收购，网站在2019年下线。
Sqrrl的创始人Ely Kahn及核心成员曾为NSA服务，具备专业的网络安全和大数据背景。在NSA工作期间，开源了数据库Accumulo，并成为了apache顶级项目。Accumulo是PRISM棱镜项目架构的核心，大多数NSA的关键分析应用都运行在Accumulo上。Accumulo是一款有序的分布式kv数据库，其特性为服务端编程、单元权限控制，优点是可扩展（基于hdfs）、稳定（遵循规范，发布前测试）。
Sqrrl的威胁捕获平台，能够帮助客户定位（target）、捕获（hunt）、阻断（disrupt）高级网络威胁。通过连接分析、用户实体行为分析（UEBA）、PB级扩展能力的集成解决方案。
Sqrrl收集并融合了各种安全数据集，包括网络流量日志、DNS日志、代理数据、用户目录、身份信息、外部情报员和客户交易等。Sqrrl利用这些数据来发现可疑行为，查明涉事人员，并评估企业的风险暴露程度。
客户有：Amazon, CA, Cloudera, Dell, Eucalyptus, Fusion-io, Hortonworks, IBM, MapR, Nutanix, Pentaho, Pivotal, Splunk, Cyphort。
问题：
如何度量组织在威胁捕获的现状，下一步如何发展
定义 threat hunting：
We define hunting as the process of proactively and iteratively searching through networks to detect and isolate advanced threats that evade existing security solutions.
威胁捕捉是以检测和阻断绕过现有安全措施的高级威胁为目标，在网络主动、迭代的搜索过程。
threat hunting 手段：
以半自动化的方式，从数据中发现可疑行为模式，总结规律或者ttp，建立自动化分析的能力。
threat hunting 目标
提升检测能力，建立原型实现新的自动化
定位：
威胁捕获是SOC下一步的发展
威胁捕获流程
- 提出假设
- 通过工具调查
- 发现新模式和ttp
- 自动化，增强分析、检测系统
威胁捕获矩阵（威胁捕获能力等级-威胁捕获流程）
翻译版
说明：
PoP：Pyramid of Pain, 威胁情报痛苦金字塔，David J. Bianco在2014年提出
| HM0 初始阶段 | HM1 最小规模阶段 | HM2 流程化阶段 | HM3 创新阶段 | HM4 领导阶段 | |
|---|---|---|---|---|---|
| 数据收集 | 很少，或者没有 | 能够收集IT环境中一些关键节点的数据 | 能够收集IT环境中某些类型的数据 | 能够收集IT环境中某些类型的数据 | 能够收集IT环境中某些类型的数据 |
| 建立假设 | 仅仅去处理SIEM/IDS/防火墙中的告警 | 根据威胁情报去构建新假设 | 根据威胁情报、专家经验去构建新假设 | 根据威胁情报、专家经验、人工风险评分去构建新假设 | 根据威胁情报、专家经验、自动化的风险评分去构建新假设 |
| 通过工具和技术去验证假设 | 在告警终端、SIEM中搜索，没有主动的调查 | 以全文检索或者sql的方式，利用SIEM或日志分析工具进行搜索 | 基于现在的捕获流程，利用简单的工具去搜索分析数据，来验证假设 | 具备可视化和关联分析能力，构建新的捕获流程 | 具备高效的可视化和关联分析能力，实现了新流程的构建自动化 |
| 检测模式&TTP | 无，或者仅有SIEM/IDS告警 | 通过金字塔底层的IOC检测 | 通过金字塔中层和下层的IOC进行检测，并根据时间分析这些ioc的趋势变化 | 能够根据对手的TTP和金字塔顶层的IOC进行检测 | 自动化的检测复杂TTP，追踪战役，支持组织间的情报IOC共享 |
| 分析自动化 | 无 | 使用威胁情报feed进行自动化告警 | 建立有效的捕捉流程库，并定期运行 | 建立有效的捕捉流程库，并经常运行，具备基础的数据分析能力（基线、离群点分析） | 自动化的捕捉流程发布与构建，高水平的数据分析能力（机器学习） |
英文版
提升途径（在矩阵中右移）
- 提出假设：动态的提出假设，自动化的得到假设的风险值
- 通过工具调查：工具具备有效的可视化和图检索能力
- 发现新模式和ttp：从仅用IOC到复杂任务（TTP匹配）
- 分析和自动化：通过机器学习，增强分析、检测系统
参考资料
https://www.freebuf.com/articles/neopoints/219164.html
https://blog.csdn.net/qq_36334464/article/details/101776101
文章来源: 博客园
- 还没有人评论，欢迎说说您的想法！
客服
