MSTICPy扩展:增强Sentinel告警属性获取能力
2025-07-07 23:01:47作者:董灵辛Dennis
背景介绍
在安全运营中心(SOC)的日常工作中,Microsoft Sentinel作为云原生SIEM解决方案,其告警和事件管理功能至关重要。MSTICPy作为微软开源的威胁情报和安全分析工具包,提供了与Sentinel集成的能力,使安全分析师能够更高效地处理安全事件。
问题发现
在使用MSTICPy获取Sentinel事件关联告警时,发现当前实现存在一个功能限制:当通过get_incident方法设置alerts=True参数时,返回的告警信息仅包含ID和Name两个字段,而实际API响应中包含的丰富属性信息被丢弃了。
技术分析
深入分析MSTICPy源代码发现,在sentinel_incidents.py文件中,处理告警数据的逻辑确实只提取了系统告警ID和显示名称。然而,Sentinel API返回的告警对象包含更多有价值的属性,特别是ExtendedProperties字段,其中存储了查询语句、查询时间范围等关键信息。
这些扩展属性对于安全分析具有重要价值:
- 查询语句:可以直接获取触发告警的KQL查询
- 时间范围:包含查询的开始和结束时间UTC
- 其他上下文:可能包含实体映射、严重性评分等辅助分析的信息
解决方案实现
针对这一限制,社区贡献者提出了两种改进思路:
- 扩展现有参数功能:修改
alerts参数,使其不仅能接受布尔值,还可以接受字符串值如"full"来指定返回完整告警详情 - 新增专用参数:添加
all_alert_details=True参数来明确控制是否返回完整告警对象
实际实现采用了更直接的方案:在保持现有接口兼容性的前提下,将所有告警属性完整保留,放入一个名为"AlertProperties"的字段中。这种设计既不会破坏现有代码,又提供了访问完整告警数据的途径。
技术实现细节
改进后的告警数据处理逻辑如下:
{
"ID": alert["properties"]["systemAlertId"],
"Name": alert["properties"]["alertDisplayName"],
"AlertProperties": alert["properties"]
}
这种结构化的处理方式使得:
- 原有依赖ID和Name字段的代码不受影响
- 需要深入分析的安全团队可以通过AlertProperties访问所有原始属性
- 保持了数据的完整性和一致性
应用场景示例
获取完整告警属性后,安全团队可以实现更高级的分析功能,例如:
# 获取事件关联的所有告警
incident_alerts = sentinel.get_incident(incident_id, alerts=True)
for alert in incident_alerts:
# 访问基础属性
print(f"告警名称: {alert['Name']}")
# 访问完整属性
ext_props = json.loads(alert['AlertProperties']['ExtendedProperties'])
query = ext_props.get('Query')
start_time = ext_props.get('Query Start Time UTC')
end_time = ext_props.get('Query End Time UTC')
# 使用原始查询和时间范围进行深入分析
print(f"触发查询: {query}")
print(f"时间范围: {start_time} 至 {end_time}")
总结
MSTICPy对Sentinel告警属性获取能力的增强,显著提升了安全分析工作的效率和深度。这一改进使得安全团队能够:
- 直接获取告警的完整上下文信息
- 基于原始查询进行更精确的事件调查
- 减少额外API调用的需求,提高分析效率
- 保持与现有工作流程的兼容性
这一功能增强现已合并到主分支,将在下一版本中发布,为安全社区提供更强大的Sentinel集成能力。
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
OpenHarmony documentation | OpenHarmony开发者文档
Dockerfile
402
3.12 K
Ascend Extension for PyTorch
Python
224
249
暂无简介
Dart
672
159
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
315
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
219