OpenCTI平台中"in regards of"过滤器对可观测对象失效问题分析
问题背景
在OpenCTI平台的数据实体过滤功能中,用户发现"in regards of"(关于)过滤器在某些情况下无法正常工作。具体表现为:当用户创建了一个威胁行为者(threat actor)与可观测对象(observable)之间的关系后,在数据实体页面使用"in regards of"过滤器筛选该可观测对象时,相关的威胁行为者无法被正确显示。
技术分析
问题本质
经过深入分析,这个问题源于平台对可观测对象相关关系的去规范化(denormalized)信息处理机制。在OpenCTI的数据模型中,某些特定类型的实体关系没有被完整地索引或存储,导致过滤器无法检索到这些关系。
受影响的关系类型
主要影响以下三类关系组合:
-
related_to类型关系:当关系类型为"related_to"且来源(from)是可观测对象(stixCyberObservable)时
-
located_at类型关系:当关系类型为"located_at"且:
- 目标(to)是地区(region)或国家(country)
- 来源(from)是IPv4、IPv6或城市(city)
-
targets类型关系:当关系类型为"targets"且:
- 目标(to)是地区(region)、国家(country)或行业领域(sector)
核心限制
值得注意的是,这些关系只有在用户查找关系中"来源(source)"端的实体时才会出现检索失败的情况。如果查找的是"目标(target)"端的实体,过滤器仍能正常工作。
解决方案
考虑到OpenCTI平台的关系模型复杂性,简单地排除某些实体类型或关系类型并不是一个理想的解决方案,因为:
- 某些关系组合可能在某些情况下工作,而在其他情况下不工作
- 完全排除会影响其他正常功能的用户体验
因此,开发团队决定采用以下改进方案:
-
添加警告提示:在"in regards of"过滤器旁边添加工具提示(tooltip),明确告知用户哪些类型的关系可能无法被检索到
-
优化用户体验:提示信息将采用与平台中其他模板类似的风格,保持界面一致性
技术影响与建议
对于OpenCTI平台用户,建议在使用"in regards of"过滤器时注意以下几点:
-
当过滤涉及可观测对象的关系时,可能需要考虑使用其他过滤条件组合
-
对于关键的可观测对象关系,可以通过创建自定义视图或报告来规避过滤器的限制
-
关注平台更新日志,了解该功能可能的后续改进
对于开发人员,这一案例也提醒我们在设计复杂数据模型的检索功能时,需要:
-
充分考虑各种实体和关系类型的组合情况
-
提供清晰的用户反馈机制,当某些查询可能不完整时及时告知用户
-
在性能和数据一致性之间找到平衡点
总结
OpenCTI平台作为威胁情报管理工具,其数据模型和过滤功能的复杂性是不可避免的。通过这次对"in regards of"过滤器问题的分析和解决,平台在保持功能完整性的同时,也提升了用户体验的透明度。这种平衡处理方式值得其他类似复杂系统的开发者借鉴。
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-1.5暂无简介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
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
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