SysmonSearch 的安装和配置教程
1. 项目基础介绍
SysmonSearch 是一个开源项目,旨在通过聚合由 Microsoft Sysmon 生成的日志事件,使得日志分析更加高效且节省时间。Sysmon 是一个强大的系统监控工具,用于记录Windows系统中的各种活动,以便于安全分析和事件响应。SysmonSearch 利用 Elasticsearch 和 Kibana(以及 Kibana 插件)来收集和可视化这些日志,帮助用户发现和分析可疑活动。
该项目主要使用的编程语言包括 JavaScript、Python、HTML、CSS 和 Shell 脚本。
2. 关键技术和框架
SysmonSearch 使用以下关键技术和框架:
- Elasticsearch: 用于收集和存储 Sysmon 日志事件的强大搜索引擎。
- Kibana: 提供用户界面,用于 Sysmon 日志分析,其中包括可视化、统计和监控功能。
- Kibana 插件: SysmonSearch 的功能通过 Kibana 插件实现,包括日志可视化、统计分析和日志监控。
- STIX/IOC: 支持上传 STIXv1、STIXv2 和 OpenIOC 格式文件,以添加搜索/监控条件。
3. 安装和配置准备工作
在开始安装 SysmonSearch 之前,请确保您的系统中已安装以下软件和依赖项:
- Java:Elasticsearch 运行时需要 Java 环境。
- Python:部分脚本可能需要 Python 环境来运行。
- Docker(可选):如果您选择使用 Docker 安装 SysmonSearch,需要安装 Docker 环境。
确保您的系统满足这些要求后,可以按照以下步骤进行安装:
安装步骤
步骤 1: 克隆项目
首先,从 GitHub 上克隆 SysmonSearch 项目到本地环境:
git clone https://github.com/JPCERTCC/SysmonSearch.git
cd SysmonSearch
步骤 2: 安装 Elasticsearch 和 Kibana
您可以选择手动安装 Elasticsearch 和 Kibana,或者使用 Docker。
-
手动安装: 下载并安装 Elasticsearch 和 Kibana 的最新版本,请遵循官方文档进行安装。
-
使用 Docker: 使用以下命令拉取 Elasticsearch 和 Kibana 的 Docker 镜像,并启动容器:
docker pull docker.elastic.co/elasticsearch/elasticsearch:7.10.1 docker pull docker.elastic.co/kibana/kibana:7.10.1 docker run -p 9200:9200 -p 9300:9300 -e "discovery.type=single-node" docker.elastic.co/elasticsearch/elasticsearch:7.10.1 docker run -p 5601:5601 docker.elastic.co/kibana/kibana:7.10.1
步骤 3: 配置 Kibana
启动 Kibana 后,打开 Kibana 的配置文件 kibana.yml,添加 SysmonSearch 插件的路径:
plugins:
path: ["/path/to/SysmonSearch/kibana-plugins/sysmon_search_plugin"]
步骤 4: 加载 Sysmon 日志
将 Sysmon 日志文件配置到 Elasticsearch 中,可以通过 Logstash、Filebeat 或者直接使用 Elasticsearch 的 API。
步骤 5: 使用 SysmonSearch
安装完成后,打开 Kibana,您应该能够看到 SysmonSearch 插件提供的功能,包括可视化、统计和监控功能。
按照以上步骤,您应该能够成功安装和配置 SysmonSearch。如果遇到任何问题,请查阅项目的官方文档或者寻求社区的帮助。
ERNIE-4.5-VL-28B-A3B-ThinkingERNIE-4.5-VL-28B-A3B-Thinking 是 ERNIE-4.5-VL-28B-A3B 架构的重大升级,通过中期大规模视觉-语言推理数据训练,显著提升了模型的表征能力和模态对齐,实现了多模态推理能力的突破性飞跃Python00
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
MiniMax-M2MiniMax-M2是MiniMaxAI开源的高效MoE模型,2300亿总参数中仅激活100亿,却在编码和智能体任务上表现卓越。它支持多文件编辑、终端操作和复杂工具链调用Python00
HunyuanVideo-1.5HunyuanVideo-1.5作为一款轻量级视频生成模型,仅需83亿参数即可提供顶级画质,大幅降低使用门槛。该模型在消费级显卡上运行流畅,让每位开发者和创作者都能轻松使用。本代码库提供生成创意视频所需的实现方案与工具集。00
MiniCPM-V-4_5MiniCPM-V 4.5 是 MiniCPM-V 系列中最新且功能最强的模型。该模型基于 Qwen3-8B 和 SigLIP2-400M 构建,总参数量为 80 亿。与之前的 MiniCPM-V 和 MiniCPM-o 模型相比,它在性能上有显著提升,并引入了新的实用功能Python00
GOT-OCR-2.0-hf阶跃星辰StepFun推出的GOT-OCR-2.0-hf是一款强大的多语言OCR开源模型,支持从普通文档到复杂场景的文字识别。它能精准处理表格、图表、数学公式、几何图形甚至乐谱等特殊内容,输出结果可通过第三方工具渲染成多种格式。模型支持1024×1024高分辨率输入,具备多页批量处理、动态分块识别和交互式区域选择等创新功能,用户可通过坐标或颜色指定识别区域。基于Apache 2.0协议开源,提供Hugging Face演示和完整代码,适用于学术研究到工业应用的广泛场景,为OCR领域带来突破性解决方案。00