MSTICPy项目中Microsoft Sentinel告警规则API版本升级解析
背景介绍
在安全运维工作中,Microsoft Sentinel作为云原生的SIEM解决方案,其告警规则管理是核心功能之一。MSTICPy作为微软开源的威胁情报和安全分析工具包,提供了与Sentinel交互的Python接口,极大方便了安全分析师的日常工作。
问题发现
近期有开发者发现,MSTICPy中list_alert_rules函数使用的API版本较旧,导致无法获取Sentinel中新增的NRT(Near Real-Time)规则类型。NRT规则是Sentinel推出的新型规则,能够在更短时间内检测威胁,对于快速响应安全事件至关重要。
技术分析
原始实现中,list_alert_rules函数使用的是较旧的API版本,这个版本在设计时尚未包含NRT规则类型。随着Sentinel功能的迭代更新,新规则类型不断加入,但底层API接口需要相应升级才能支持。
开发者通过分析发现,使用2024-01-01-preview这个API预览版本可以正确获取包括NRT规则在内的所有规则类型。这是因为微软通常会在预览版API中先行加入新功能支持,经过验证后再纳入正式版API。
解决方案实现
开发者提出了两种解决方案思路:
-
直接升级API版本:将函数默认使用的API版本更新为
2024-01-01-preview,这是最直接的解决方案。 -
增加API版本参数:为函数增加可选的API版本参数,允许用户根据需要指定不同的API版本,提供更大的灵活性。
在实际实现中,开发者采用了继承重写的方式创建了MicrosoftSentinelOverides类,通过重写list_alert_rules方法,强制使用新的API版本。这种方式既保持了原有代码结构,又解决了功能缺失问题。
技术实现细节
重写后的关键代码如下:
def list_alert_rules(self) -> pd.DataFrame:
return self._list_items(item_type="alert_rules", api_version="2024-01-01-preview")
这段代码通过指定新的API版本参数,确保能够获取完整的规则列表。返回类型保持为Pandas DataFrame,与原有设计一致,保证了代码的向后兼容性。
行业实践建议
在企业安全运维中,API版本管理是需要特别注意的环节。我们建议:
- 定期检查使用的API版本,确保能够支持所需功能
- 对于关键安全功能,优先考虑使用稳定版API
- 新功能评估阶段可以使用预览版API,但生产环境需谨慎
- 建立API版本更新机制,及时跟进服务提供商的功能更新
总结
这次MSTICPy的API版本更新及时解决了NRT规则获取问题,体现了开源社区快速响应的优势。对于安全运维团队来说,保持工具链的及时更新是确保安全监控有效性的重要基础。通过这类问题的解决,也提醒我们要持续关注底层API的变化,确保安全监控覆盖的全面性。
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