OpenCTI平台新增预定义规则实现实体容器自动解析功能
2025-05-31 22:06:45作者:谭伦延
背景与需求分析
在现代威胁情报平台OpenCTI中,实体容器(如报告、事件等)经常包含大量关联实体。传统处理方式需要分析师手动解析容器内容并建立实体关系,这种人工操作不仅效率低下,在应对大规模数据时更容易出现遗漏。为解决这一痛点,OpenCTI在最新版本中引入了预定义规则引擎,专门针对"容器包含实体"这一常见场景实现自动化解析。
技术实现方案
规则引擎架构设计
该功能基于OpenCTI现有的规则引擎框架进行扩展,主要包含三个核心组件:
- 规则触发器:监听容器对象的创建和更新事件
- 条件评估器:验证容器是否包含可解析的实体关系
- 动作执行器:自动创建容器与实体间的"contains"关系
关键实现细节
class ContainerEntityRule(Rule):
# 规则元数据定义
id = "container-entity-rule"
name = "Auto-resolve entities in containers"
# 触发条件配置
triggers = [
Trigger(
entity_types=["Report", "Incident"],
event_types=["create", "update"]
)
]
def evaluate(self, context):
# 获取容器中的实体引用
contained_entities = extract_entities(context.container)
# 验证实体有效性
return bool(valid_entities(contained_entities))
def execute(self, context):
for entity in extract_entities(context.container):
# 创建双向关系
create_relationship(
source=context.container,
target=entity,
relationship_type="contains"
)
功能优势
- 效率提升:单次容器更新可自动处理数百个实体关系
- 关系完整性:确保不会遗漏任何已识别的实体关联
- 可追溯性:所有自动创建的关系都带有规则标记
- 降低误报:内置实体有效性验证机制
实际应用场景
威胁报告处理
当导入包含100个IoC指标的威胁报告时,系统会自动:
- 识别报告中的IP、域名等实体
- 建立报告与每个IoC的包含关系
- 更新相关实体的时间线信息
事件响应协同
在事件响应过程中:
- 创建新事件容器
- 添加相关攻击指标
- 系统自动构建完整的关系图谱
最佳实践建议
- 规则优先级设置:建议将该规则设置为中优先级,确保在基础数据校验之后执行
- 性能调优:对于包含大量实体的容器,建议启用批量处理模式
- 监控配置:在管理界面添加规则执行监控,记录自动创建的关系数量
未来演进方向
- 条件扩展:支持基于实体类型的过滤规则
- 关系定制:允许自定义关系类型而不仅限于"contains"
- 冲突处理:增加关系已存在时的智能处理策略
该功能的引入显著提升了OpenCTI平台在处理复杂威胁情报时的自动化水平,使安全团队能够更专注于高价值的分析工作而非重复的数据整理任务。
登录后查看全文
热门项目推荐
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