Elastic detection-rules项目中New Terms规则创建的CLI缺陷分析
2025-07-03 15:26:02作者:申梦珏Efrain
在Elastic detection-rules项目中,安全团队通过命令行界面(CLI)创建检测规则时发现了一个关键功能缺陷。该缺陷影响"new-terms"类型规则的创建流程,导致安全工程师无法通过标准交互方式完成规则配置。
问题本质
当用户执行python -m detection_rules create-rule命令并选择创建new-terms类型规则时,系统未能正确提示用户输入必要的"new_terms_fields"字段参数。这个核心参数用于定义需要监控新出现值的字段列表,是new-terms规则正常工作的基础配置项。
技术背景
new-terms规则是Elastic安全检测中的重要规则类型,主要用于识别字段中首次出现的值。例如:
- 监控新出现的进程名称
- 检测首次访问的URL地址
- 发现新出现的用户代理字符串
这类规则依赖于历史数据对比,需要明确指定监控字段才能正常工作。
问题根源
通过分析项目代码,发现问题出在detection_rules/cli_utils.py文件的第188行。原始代码直接尝试从kwargs中弹出"new_terms_fields"参数,但未处理该参数不存在的情况。正确的做法应该是提供默认值None,确保即使用户未预先定义该参数,系统也能正常进入交互提示流程。
解决方案
核心修复方案是对cli_utils.py进行修改:
result["value"] = schema_prompt("new_terms_fields", value=kwargs.pop("new_terms_fields", None))
这个修改确保:
- 当kwargs中不存在new_terms_fields时,使用None作为默认值
- 系统会正常触发交互式提示,要求用户输入必要字段
- 保持原有参数处理逻辑不变
影响范围
该缺陷影响所有通过CLI创建new-terms规则的用户场景。由于new-terms是常用的检测规则类型,这个缺陷实际上阻碍了安全团队通过标准化流程创建重要检测规则的能力。
最佳实践建议
对于使用Elastic detection-rules项目的团队,建议:
- 及时更新包含该修复的版本
- 在创建new-terms规则时,确保准备监控的字段列表
- 定期验证创建的规则是否按预期工作
- 考虑在CI/CD流程中加入规则有效性检查
该问题的修复不仅解决了功能可用性问题,也提升了安全团队通过自动化工具管理检测规则的效率。对于依赖Elastic安全解决方案的企业来说,保持检测规则创建流程的完整性是构建有效威胁检测体系的基础。
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
411
3.16 K
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++
664
323
Ascend Extension for PyTorch
Python
227
255
暂无简介
Dart
677
160
React Native鸿蒙化仓库
JavaScript
265
326
🎉 (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
1.21 K
660
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
旨在打造算法先进、性能卓越、高效敏捷、安全可靠的密码套件,通过轻量级、可剪裁的软件技术架构满足各行业不同场景的多样化要求,让密码技术应用更简单,同时探索后量子等先进算法创新实践,构建密码前沿技术底座!
C
1.03 K
492
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
342
146