Azure Sentinel中网络会话异常告警无实体问题的分析与解决
问题背景
在Azure Sentinel安全监控实践中,用户报告了一个关于"Excessive number of failed connections"(连接失败次数过多)的告警触发问题。该告警源自Fortinet防火墙的监控数据,但触发后却未能显示任何关联实体信息,给安全分析带来了困扰。
问题现象
告警规则被触发后,在Azure Sentinel的告警详情页面中,实体(Entities)部分显示为空。这使得安全分析师无法直接识别出问题的源头IP地址或相关设备,增加了调查难度。
技术分析
告警规则工作机制
该告警规则基于Azure Sentinel的"Network Session Essentials"解决方案,其核心逻辑是通过KQL查询统计指定时间窗口内网络会话失败的数量。当失败次数超过预设阈值时触发告警。
实体缺失原因
经过技术团队深入分析,发现实体缺失主要有以下两个原因:
-
阈值设置问题:默认阈值(5000)可能设置过高,导致虽然触发了告警,但实际数据未能满足实体提取的条件。当降低阈值后,实体信息能够正常显示。
-
数据源特性:在本案例中,异常流量实际来源于Windows 11 24H2更新引入的打印服务问题。系统更新后,打印操作会触发UDP广播风暴,导致大量连接失败记录。
解决方案
临时解决方案
对于本案例中的特定问题,可通过以下注册表修改解决广播风暴问题:
[HKEY_LOCAL_MACHINE\SYSTEM\CurrentControlSet\Services\Spooler\Printers]
"DeviceDiscovery"=dword:00000000
此修改会禁用打印设备的自动发现功能,从而避免UDP广播风暴。
长期优化建议
- 阈值调整:根据实际环境中的网络流量特征,适当调整告警规则的阈值参数。可使用以下KQL查询测试不同阈值下的效果:
let threshold = 1000; // 可根据实际情况调整
_Im_NetworkSession
| where EventResult == 'Failure'
| where isnotempty(SrcIpAddr)
| where TimeGenerated > ago(10h)
| summarize Count = count(),
DvcHostnames = make_list(DvcHostname),
DstHostnames = make_list(DstHostname),
EventOriginalResultDetails = make_list(EventOriginalResultDetails),
Process = make_list(Process),
InitiatingProcessFolderPath = make_list(InitiatingProcessFolderPath),
EventProduct = make_list(EventProduct),
Dst = make_list(Dst)
by SrcIpAddr, TimeBucket = bin(TimeGenerated, 5m), User
| where Count > threshold
| project TimeBucket, SrcIpAddr, Count, threshold, User, DvcHostnames, DstHostnames, EventOriginalResultDetails, Process, InitiatingProcessFolderPath, EventProduct, Dst
| order by Count desc
| take 10
-
实体映射优化:确保告警规则中正确配置了实体映射关系,特别是源IP地址(SrcIpAddr)到IP实体类型的映射。
-
数据源验证:定期验证数据连接器的数据质量,确保网络会话数据完整上传且格式符合预期。
最佳实践
-
分层阈值策略:建议采用分层阈值策略,针对不同网络区域设置不同的告警阈值,提高告警的准确性。
-
实体丰富化:在告警规则中添加更多上下文信息,如设备名称、用户信息等,便于快速定位问题。
-
定期规则评审:建立定期评审机制,根据网络环境变化调整告警规则参数。
-
根本原因分析:对于反复出现的告警,应深入分析根本原因,而非简单调整阈值。
总结
Azure Sentinel中的网络会话监控是安全运营的重要环节。通过本案例的分析,我们了解到告警规则配置需要结合实际环境特点进行优化。合理的阈值设置、完整的实体映射以及深入的根本原因分析,是确保安全监控有效性的关键要素。安全团队应建立持续优化的机制,使安全监控系统能够适应不断变化的网络环境。
- DDeepSeek-V3.1-BaseDeepSeek-V3.1 是一款支持思考模式与非思考模式的混合模型Python00
- QQwen-Image-Edit基于200亿参数Qwen-Image构建,Qwen-Image-Edit实现精准文本渲染与图像编辑,融合语义与外观控制能力Jinja00
GitCode-文心大模型-智源研究院AI应用开发大赛
GitCode&文心大模型&智源研究院强强联合,发起的AI应用开发大赛;总奖池8W,单人最高可得价值3W奖励。快来参加吧~044CommonUtilLibrary
快速开发工具类收集,史上最全的开发工具类,欢迎Follow、Fork、StarJava04GitCode百大开源项目
GitCode百大计划旨在表彰GitCode平台上积极推动项目社区化,拥有广泛影响力的G-Star项目,入选项目不仅代表了GitCode开源生态的蓬勃发展,也反映了当下开源行业的发展趋势。06GOT-OCR-2.0-hf
阶跃星辰StepFun推出的GOT-OCR-2.0-hf是一款强大的多语言OCR开源模型,支持从普通文档到复杂场景的文字识别。它能精准处理表格、图表、数学公式、几何图形甚至乐谱等特殊内容,输出结果可通过第三方工具渲染成多种格式。模型支持1024×1024高分辨率输入,具备多页批量处理、动态分块识别和交互式区域选择等创新功能,用户可通过坐标或颜色指定识别区域。基于Apache 2.0协议开源,提供Hugging Face演示和完整代码,适用于学术研究到工业应用的广泛场景,为OCR领域带来突破性解决方案。00openHiTLS
旨在打造算法先进、性能卓越、高效敏捷、安全可靠的密码套件,通过轻量级、可剪裁的软件技术架构满足各行业不同场景的多样化要求,让密码技术应用更简单,同时探索后量子等先进算法创新实践,构建密码前沿技术底座!C0300- WWan2.2-S2V-14B【Wan2.2 全新发布|更强画质,更快生成】新一代视频生成模型 Wan2.2,创新采用MoE架构,实现电影级美学与复杂运动控制,支持720P高清文本/图像生成视频,消费级显卡即可流畅运行,性能达业界领先水平Python00
- GGLM-4.5-AirGLM-4.5 系列模型是专为智能体设计的基础模型。GLM-4.5拥有 3550 亿总参数量,其中 320 亿活跃参数;GLM-4.5-Air采用更紧凑的设计,拥有 1060 亿总参数量,其中 120 亿活跃参数。GLM-4.5模型统一了推理、编码和智能体能力,以满足智能体应用的复杂需求Jinja00
Yi-Coder
Yi Coder 编程模型,小而强大的编程助手HTML013
热门内容推荐
最新内容推荐
项目优选









