Wazuh 4.12.0 Alpha 1中Microsoft Graph安全API集成测试报告
测试环境搭建
本次测试采用Wazuh 4.12.0 Alpha 1版本,构建了一个完整的端到端安全监控环境。测试环境包含以下组件:
-
索引器、服务器和仪表板:部署在Red Hat Enterprise Linux 9.5系统上,采用一体化安装方式。硬件配置为4核AMD EPYC 7R32处理器,7.4GB内存和29GB存储空间。
-
代理端:运行在Ubuntu 22.04.5 LTS系统上,硬件配置为16核Intel Core i7-12650H处理器,31GB内存和248GB存储空间。
安装过程通过官方提供的快速安装脚本完成,整个过程自动化程度高,包括安全凭证创建、服务配置等关键步骤。安装日志显示各组件均成功启动,无报错信息。
Microsoft Graph API集成配置
Microsoft Graph安全API集成是Wazuh云安全功能的重要组成部分,通过以下步骤完成配置:
-
应用注册:在Azure门户中注册新应用,获取必要的客户端ID和租户ID。
-
安全凭证:创建客户端密钥用于身份验证,密钥有效期为24个月。
-
API权限:为应用配置必要的API权限,包括SecurityEvents.Read.All、SecurityEvents.ReadWrite.All等安全相关权限。特别注意需要管理员同意才能生效。
-
代理配置:在Wazuh代理配置文件中添加ms-graph模块配置,指定客户端ID、租户ID、密钥值等认证信息,并定义要监控的资源类型(如security、deviceManagement等)。
配置完成后,代理日志显示成功获取访问令牌并开始扫描租户,表明集成已正常工作。
安全事件模拟与测试
为了验证集成的有效性,我们进行了安全事件模拟测试:
-
权限准备:测试发现需要两个关键角色才能完整测试功能:
- Exchange管理员:用于配置策略和规则
- 安全管理员:用于访问策略规则菜单和使用攻击模拟训练
-
策略配置:在"策略与规则 > 威胁策略 > 预设安全策略"中配置测试用户的安全策略。
-
模拟攻击:使用Microsoft 365 Defender门户中的攻击模拟工具,设置钓鱼邮件模拟攻击。将测试邮件标记为"恶意"以触发安全警报。
测试结果显示,Wazuh成功捕获了Microsoft Defender生成的安全事件,并在仪表板上展示了详细的警报信息。警报包含事件严重程度、创建时间、最后更新时间、资源类型、事件状态等关键信息。
测试发现与建议
-
权限要求:完整测试需要Exchange管理员和安全管理员双重角色,建议在测试前确保账户具备这些权限。
-
事件延迟:从触发安全事件到Wazuh接收到警报可能存在数小时的延迟,这是由Microsoft安全事件处理流程决定的。
-
账户类型限制:测试发现必须使用工作或学校账户,个人Microsoft账户无法完成全部测试流程。
-
评估实验室:建议优先使用Microsoft提供的评估实验室功能进行初步测试,再申请正式凭证进行深入验证。
结论
Wazuh 4.12.0 Alpha 1中的Microsoft Graph安全API集成功能工作正常,能够有效捕获和展示Microsoft安全生态系统中生成的安全事件。通过适当的配置和权限设置,企业可以将Microsoft安全产品产生的警报无缝集成到Wazuh的统一安全监控平台中,实现更全面的安全态势感知。
对于计划部署此功能的企业,建议提前规划好测试账户的权限申请,并了解Microsoft安全事件的处理延迟特性,以便制定合理的监控策略和响应流程。
Kimi-K2.5Kimi K2.5 是一款开源的原生多模态智能体模型,它在 Kimi-K2-Base 的基础上,通过对约 15 万亿混合视觉和文本 tokens 进行持续预训练构建而成。该模型将视觉与语言理解、高级智能体能力、即时模式与思考模式,以及对话式与智能体范式无缝融合。Python00
GLM-4.7-FlashGLM-4.7-Flash 是一款 30B-A3B MoE 模型。作为 30B 级别中的佼佼者,GLM-4.7-Flash 为追求性能与效率平衡的轻量化部署提供了全新选择。Jinja00
VLOOKVLOOK™ 是优雅好用的 Typora/Markdown 主题包和增强插件。 VLOOK™ is an elegant and practical THEME PACKAGE × ENHANCEMENT PLUGIN for Typora/Markdown.Less00
PaddleOCR-VL-1.5PaddleOCR-VL-1.5 是 PaddleOCR-VL 的新一代进阶模型,在 OmniDocBench v1.5 上实现了 94.5% 的全新 state-of-the-art 准确率。 为了严格评估模型在真实物理畸变下的鲁棒性——包括扫描伪影、倾斜、扭曲、屏幕拍摄和光照变化——我们提出了 Real5-OmniDocBench 基准测试集。实验结果表明,该增强模型在新构建的基准测试集上达到了 SOTA 性能。此外,我们通过整合印章识别和文本检测识别(text spotting)任务扩展了模型的能力,同时保持 0.9B 的超紧凑 VLM 规模,具备高效率特性。Python00
KuiklyUI基于KMP技术的高性能、全平台开发框架,具备统一代码库、极致易用性和动态灵活性。 Provide a high-performance, full-platform development framework with unified codebase, ultimate ease of use, and dynamic flexibility. 注意:本仓库为Github仓库镜像,PR或Issue请移步至Github发起,感谢支持!Kotlin07
compass-metrics-modelMetrics model project for the OSS CompassPython00