Yamato-Security Hayabusa项目新增Sigma规则大小写敏感匹配功能解析
2025-06-30 18:48:22作者:裴麒琰
在日志分析领域,精确匹配是提升检测准确性的重要手段。Yamato-Security团队近期为Hayabusa项目实现了Sigma规则中大小写敏感匹配的功能增强,为安全分析师提供了更精细化的检测控制能力。
功能背景
传统Sigma规则在进行字符串匹配时通常采用不区分大小写的方式,这在某些特定场景下可能导致误报。例如:
- 区分Windows系统路径中的大小写(如
C:\Windows\System32与C:\WINDOWS\system32) - 识别特定编程语言中的大小写敏感标识符
- 匹配严格遵循大小写规范的系统日志条目
技术实现
Hayabusa新增的|cased修饰符支持以下四种匹配模式:
-
精确匹配
field|cased: stringHogeHoge
该语法要求字段值必须与指定字符串完全一致(包括大小写) -
前缀匹配
field|startswith|cased: HogeHoge
仅匹配以指定字符串开头且大小写一致的字段值 -
后缀匹配
field|endswith|cased: HogeHoge
仅匹配以指定字符串结尾且大小写一致的字段值 -
包含匹配
field|contains|cased: HogeHoge
匹配包含指定子字符串且大小写一致的字段值
应用价值
这项改进为安全运营带来三个层面的提升:
-
降低误报率
在需要区分大小写的场景中,可避免因大小写不匹配导致的误报 -
增强检测精度
对攻击者故意使用大小写变体规避检测的行为(如cmd.exe与CMD.EXE)提供精确识别能力 -
合规性支持
满足某些严格审计场景下对日志内容精确还原的要求
实现原理
在底层实现上,该功能通过以下机制工作:
- 移除默认的字符串规范化处理(如大小写转换)
- 保持原始查询字符串的字符编码
- 在正则表达式构建时禁用忽略大小写标志
- 确保与现有修饰符的链式调用兼容性
最佳实践建议
安全团队在使用该功能时应注意:
- 仅在确有必要时使用大小写敏感匹配,避免过度限制导致漏报
- 结合威胁情报,识别攻击者常用的大小写混淆技术
- 对关键系统路径、注册表项等建议启用该功能
- 在规则注释中明确说明使用大小写敏感匹配的原因
这项改进体现了Hayabusa项目对检测工程精细化的持续追求,为构建更准确的威胁检测体系提供了重要工具支持。
登录后查看全文
热门项目推荐
相关项目推荐
AutoGLM-Phone-9BAutoGLM-Phone-9B是基于AutoGLM构建的移动智能助手框架,依托多模态感知理解手机屏幕并执行自动化操作。Jinja00
Kimi-K2-ThinkingKimi K2 Thinking 是最新、性能最强的开源思维模型。从 Kimi K2 开始,我们将其打造为能够逐步推理并动态调用工具的思维智能体。通过显著提升多步推理深度,并在 200–300 次连续调用中保持稳定的工具使用能力,它在 Humanity's Last Exam (HLE)、BrowseComp 等基准测试中树立了新的技术标杆。同时,K2 Thinking 是原生 INT4 量化模型,具备 256k 上下文窗口,实现了推理延迟和 GPU 内存占用的无损降低。Python00
GLM-4.6V-FP8GLM-4.6V-FP8是GLM-V系列开源模型,支持128K上下文窗口,融合原生多模态函数调用能力,实现从视觉感知到执行的闭环。具备文档理解、图文生成、前端重构等功能,适用于云集群与本地部署,在同类参数规模中视觉理解性能领先。Jinja00
HunyuanOCRHunyuanOCR 是基于混元原生多模态架构打造的领先端到端 OCR 专家级视觉语言模型。它采用仅 10 亿参数的轻量化设计,在业界多项基准测试中取得了当前最佳性能。该模型不仅精通复杂多语言文档解析,还在文本检测与识别、开放域信息抽取、视频字幕提取及图片翻译等实际应用场景中表现卓越。00
GLM-ASR-Nano-2512GLM-ASR-Nano-2512 是一款稳健的开源语音识别模型,参数规模为 15 亿。该模型专为应对真实场景的复杂性而设计,在保持紧凑体量的同时,多项基准测试表现优于 OpenAI Whisper V3。Python00
GLM-TTSGLM-TTS 是一款基于大语言模型的高质量文本转语音(TTS)合成系统,支持零样本语音克隆和流式推理。该系统采用两阶段架构,结合了用于语音 token 生成的大语言模型(LLM)和用于波形合成的流匹配(Flow Matching)模型。 通过引入多奖励强化学习框架,GLM-TTS 显著提升了合成语音的表现力,相比传统 TTS 系统实现了更自然的情感控制。Python00
Spark-Formalizer-X1-7BSpark-Formalizer 是由科大讯飞团队开发的专用大型语言模型,专注于数学自动形式化任务。该模型擅长将自然语言数学问题转化为精确的 Lean4 形式化语句,在形式化语句生成方面达到了业界领先水平。Python00
项目优选
收起
deepin linux kernel
C
24
9
Ascend Extension for PyTorch
Python
223
246
暂无简介
Dart
672
157
本项目是CANN提供的数学类基础计算算子库,实现网络在NPU上加速计算。
C++
663
313
React Native鸿蒙化仓库
JavaScript
262
324
Nop Platform 2.0是基于可逆计算理论实现的采用面向语言编程范式的新一代低代码开发平台,包含基于全新原理从零开始研发的GraphQL引擎、ORM引擎、工作流引擎、报表引擎、规则引擎、批处理引引擎等完整设计。nop-entropy是它的后端部分,采用java语言实现,可选择集成Spring框架或者Quarkus框架。中小企业可以免费商用
Java
9
1
🎉 (RuoYi)官方仓库 基于SpringBoot,Spring Security,JWT,Vue3 & Vite、Element Plus 的前后端分离权限管理系统
Vue
1.2 K
655
🔥LeetCode solutions in any programming language | 多种编程语言实现 LeetCode、《剑指 Offer(第 2 版)》、《程序员面试金典(第 6 版)》题解
Java
64
19
openGauss kernel ~ openGauss is an open source relational database management system
C++
160
218
TorchAir 支持用户基于PyTorch框架和torch_npu插件在昇腾NPU上使用图模式进行推理。
Python
330
137