RuSIEM Analytics

Наверняка вы получали хотя бы раз оповещение от Google, Dropbox, VK и других сервисов что вы вошли с такого то IP адреса, браузера? Мы реализовали подобное но с упором на коммерческих потребителей и настраиваемое для любого кейса.
Например, возможно создать правило с указанием ключа, симптома входа и выхода из системы, связки атрибутов сравнения.

К примеру, возможно создать любое правило, которое будет отслеживать признаки входа, выхода применительно для любой вашей системы. В атрибуты сравнения вы добавляете имя клиентского приложения, имя сервера приложения, src.ip, имя пользователя. Если пользователь вдруг входит с другого IP адреса или приложения на этот сервер или с этого src.ip входит другой новый пользователь — будет сформирован инцидент, об инциденте уйдет оповещение операторам. Признаки входа возможно определить любые.
Ведется статистика по активным сессиям и в истории по произошедшим.

Данный раздел справочный и содержит список всех известных уязвимостей. Возможен детальный просмотр уязвимостей, поиск по фразам, по CVE/CVSS, сортировка и просмотр CVE. Обновляется несколько раз в день. Доступ к обновлению — в рамках технической поддержки. Уязвимости используются в активах.

Данный раздел предназначен для организации Standard Compliance и Policy Compliance. Имеется предзаданный стандарт PCI DSS 3.1, содержащий технические контроли для аудита. Пользователь может создавать свой стандарт, указывать в нем контроли, указать scope и строить отчет в разделе отчетов. В отчете за выбранный период для каждого технического контроля указывается соответствие или несоответствие.

Аналитика в модуле RuSIEM Analytics имеет несколько подмодулей.
Первый, управляемый пользователем, основан на DL (Data Learning) и называется Baseline.
Для Baseline указываются правила, содержащие:

• наблюдаемую связку ключей (от 1 до 21)
• использовать или нет исторические данные
• период исторических данных (как правило, 21 день)
• период накопления исторических данных (день или час)
• использовать или нет уникальность дня (вторники сравнивать со вторниками, среды со средами или нет)
• допустимый процент отклонения от нормы

Теперь смоделируем следующую ситуацию. Пользователь user111 ежедневно удаляет примерно 20 файлов по понедельникам, примерно 40 по четвергам. Мы создаем правило, содержащее уникальную связку src.user.name + symptoms.id, устанавливаем дельту в 40% и указываем учет уникальности дня недели. Baseline начинает учитывать количество уникальных связок src.user.name + symptoms.id по дням недели. Сюда попадают все пользователи и также другие symptoms.id, включая старт служб, входы, запуск приложений и прочие. Внезапно, пользователь user111 или user444 удаляют не как обычно 20-30 файлов, а 200 за час. Аналитика видит это отклонение, формирует событие и отправляет на корреляцию. Корреляция с учетом возможных уточнений в правилах формирует инцидент, где ключами является src.user.name+symptoms.id (только значение будут примерно «user111 + удаление_файлов»). При этом, данное правило аналитики будет также смотреть за другими уникальными связками в данном контексте. Например, «Admin + неуспешный вход», «Admin + изменение конфигураций» и прочее. Таким образом, создав некое распределение с уникальными ключами мы покрываем достаточно большой объем кейсов. И неважно, что произойдет. Это может быть частый краш приложений, количество отправленных электронных писем, количество отказанных в доступе попыток и многое другое! Нет необходимости придумывать миллионы кейсов, когда это можно описать десятком-других правил. Ведь если случаются вирус, атака, сбои — образуется хоть небольшой, но все же всплеск по количеству событий.

С помощью правила с ключами «http.status.code + symptoms.id» возможно мониторить, к примеру, количество ошибок, доступность сайта, попытки зайти на запрещенный ресурс, состояние прокси сервера и многое другое. С ключами «hostname + symptoms.id» — от количества неуспешных попыток до количества заказов на сайте.

Количество правил — не лимитировано. Количество наблюдаемых ключей в правиле — до 21. Для корректной работы модуля рекомендуется накопленная выборка от 3х недель.

Для Baseline в разделе Аналитика имеются также виджеты для работы с модулем. На них можно вынести любые показатели для анализа тенденций.

Модуль ML (Machine learning) работает в автоматическом режиме, без вмешательства и настройки со стороны оператора. Модуль работает по Симптоматике ^® и смотрит согласно заложенным алгоритмам агрегаты весов симптомов в разрезе объектов (хостов, пользователей, сервисов и прочее). Модуль имеет свою обучающую индивидуальную выборку, накапливаемую в ходе работы модуля. В случае накопления критического веса в разрезе объекта (частое повторение критичного события, шквал критичных или не критичных, растянутое по времени повторение, множественное распределение) — формируется событие и через процесс корреляции формируется инцидент.

Возможно также подключение пользовательской PMML (Predictive Model Markup Language) модели для модуля ML.

Активы — раздел ИТ активов. Структура активов предопределена, но может быть изменена пользователем. Наполняются в режиме реального времени из событий. Это Windows/*nix события, события о трафике, от систем мониторинга и других. События с актива могут приносить информацию об установленном ПО, патчах, версии OC, службах и процессах. События с сетевого трафика — какие приложения используются, браузеры, в том числе, и portable software, а также информацию об используемых портах и протоколах.

К примеру, в Windows Application log/System log записывается информация об установленном ПО, патчах и события поступают в режиме реального времени на аналитику. Если такое ПО уже есть в списке на активе — обновляется его время последнего обнаружения. Если нет — к активу дописывается данное ПО, версия.

Подключается пользователь по сети к удаленному серверу по ssh — сетевое приложение видит это, присылает информацию об используемом ПО для подключения и информацию об удаленном сервисе.

Для увеличения информации об активе и окружении в RuSIEM существуют инструменты:

• модуль агента WmiSoftStat, собирающий как локально, так и со множества указанных хостов без агентным методом информацию об установленном ПО и патчах Windows
• модуль агента HashLog, собирающий информацию локально о процессах и их хэш суммах
• nmap сканирования по указанному диапазону и с ключами
• arp_scan, собирающий данные об устройствах, подключенных к сети
• сетевой сенсор, собирающий информацию о: сетевых соединениях, сертификатах, DNS запросах и ответах, http запросах, DPI для части основных используемых протоколов, информацию о передаваемых файлах по сети и прочее.

Возможно подключение любого «говорящего» источника, приносящего полезные данные. Естественно, такими событиями можно оперировать и на уровне выборок и в правилах корреляции и в отчетах.

Помимо наполнения активов, существует ряд процессов:

• Обнаружение уязвимостей по данным активов с базой уязвимостей в режиме реального времени. В случае нахождения уязвимости — формируется сущность узвимости и инцидент

• проверка по фид-листам
• оповещение о новых элементах актива
• склеивание активов

Чтобы ограничить количество активов — задаются границы инфраструктуры. А для идентификации задаются критерии идентификации активов. В настройках системы устанавливаются параметры устаревания активов.
Для быстрой и удобной работы с активами существуют статические группы, допускающие мульти вложенность и динамические группы с условиями формирования. Например, возможно создать динамическую группу с условием по открытому порту 22 или с наличием определенной службы TeamViewer и данная группа всегда будет содержать актуальный список активов по критерию.