Elastic Detection Rules项目dev-v0.4.0版本发布:安全检测能力全面升级
Elastic Detection Rules是Elastic公司开源的一套安全检测规则库,主要用于Elastic Security解决方案中。该项目提供了大量预构建的检测规则,帮助安全团队识别各种安全威胁和异常行为。这些规则覆盖了端点安全、云安全、网络威胁检测等多个领域,支持多种操作系统和云服务提供商。
核心更新内容
云安全检测增强
本次更新显著增强了云环境的安全检测能力,特别是针对AWS和Azure平台:
-
AWS安全监控新增了多项关键检测规则:
- 针对AWS根账户自创建登录配置文件的检测
- AWS SQS队列清除操作的监控
- AWS EC2弃用AMI镜像的发现
- 异常AWS S3对象使用SSE-C加密的行为检测
- SNS主题消息由罕见用户发布的识别
-
Azure安全防护方面新增了:
- Entra MFA TOTP异常尝试检测
- 通过Azure注册应用程序可能存在的异常授权检测
Linux系统安全检测能力扩展
本次版本对Linux系统的安全检测进行了大规模扩展,新增了多项高级威胁检测能力:
-
认证机制保护:
- 可插拔认证模块(PAM)版本发现
- 非常规目录中的PAM模块创建
- PAM模块源代码下载监控
-
内核级威胁检测:
- 内核对象文件创建监控
- 可加载内核模块配置文件创建检测
- 动态链接器(ld.so)创建行为识别
-
系统完整性保护:
- 系统二进制路径文件权限修改检测
- GRUB配置文件和生成过程监控
- 预加载环境变量进程执行异常检测
Windows安全检测优化
Windows平台的检测规则也获得了多项改进:
-
持久化威胁检测:
- 不常见的注册表持久化变更检测优化
- 可疑WMI事件订阅创建行为检测增强
-
进程行为分析:
- 可疑通信应用子进程生成监控
- 进程名称伪装检测
-
审计策略监控:
- 敏感审计策略子类别被禁用的检测
检测引擎与规则优化
-
第三方EDR支持:全面增强了针对CrowdStrike和SentinelOne等第三方终端检测与响应解决方案的支持,涉及10个主要方面的改进。
-
规则性能优化:对多个现有规则进行了查询优化和阈值调整,包括Okta多会话检测和AWS KMS密钥检索等场景。
-
过时规则淘汰:移除了"Microsoft 365用户账户潜在异常登录"等过时检测规则。
技术实现亮点
-
多数据源关联:新规则充分利用了端点数据、云日志和网络流量等多源数据进行关联分析,提高了检测准确性。
-
异常行为基线:多个规则采用了基于用户或实体行为基线(UEBA)的方法,能够识别偏离正常模式的活动。
-
攻击链覆盖:新增规则全面覆盖了ATT&CK框架中的多个战术阶段,从初始访问到持久化、权限提升和防御规避等。
-
低误报设计:通过精确的过滤条件和合理的阈值设置,在保持高检出率的同时降低了误报可能性。
对安全运营的价值
-
云原生安全:增强的云服务检测能力使组织能够更好地监控和保护其云基础设施,特别是多账户AWS环境和Azure AD配置。
-
Linux深度防护:新增的Linux检测规则填补了传统安全解决方案在Linux系统上的监控盲区,特别是针对高级持久性威胁的检测。
-
威胁狩猎支持:配套提供的狩猎查询帮助安全团队主动寻找环境中可能存在的威胁指标,而不仅依赖实时检测。
-
合规支持:多项检测规则能够帮助组织满足各种合规框架中对特定安全事件的监控要求。
总结
Elastic Detection Rules项目的这次更新标志着其在云安全和Linux系统安全检测能力上的重大进步。通过新增的检测规则和现有规则的优化,安全团队现在能够更全面地监控混合环境中的安全威胁,特别是针对日益复杂的云环境和经常被忽视的Linux系统的攻击。这些改进使Elastic Security解决方案在威胁检测和响应能力上保持了行业领先地位。
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