机器学习检测到高恶意概率分数的 Windows 可疑事件
编辑机器学习检测到高恶意概率分数的 Windows 可疑事件
编辑一个监督机器学习模型 (ProblemChild) 识别出一个 Windows 可疑进程事件，该事件具有很高的恶意活动概率。或者，该模型的阻止列表将该事件识别为恶意事件。
规则类型: eql
规则索引:
- endgame-*
- logs-endpoint.events.process-*
- winlogbeat-*
严重性: 高
风险评分: 73
运行频率: 5 分钟
搜索索引时间范围: now-10m (日期数学格式，另请参阅 额外回溯时间)
每次执行的最大警报数: 100
参考:
标签:
- 操作系统：Windows
- 数据源：Elastic Endgame
- 用例：利用本地资源攻击检测
- 规则类型：ML
- 规则类型：机器学习
- 战术：防御规避
- 数据源：Elastic Defend
版本: 110
规则作者:
- Elastic
规则许可证: Elastic License v2
设置
编辑设置
该规则需要安装利用本地资源 (LotL) 攻击检测集成资产，以及由 Elastic Defend 或 Winlogbeat 等集成收集的 Windows 进程事件。
LotL 攻击检测设置
LotL 攻击检测集成检测 Windows 进程事件中的利用本地资源的活动。
先决条件
- LotL 攻击检测需要 Fleet。
- 要配置 Fleet Server，请参阅 文档。
- 由 Elastic Defend 集成或 Winlogbeat 收集的 Windows 进程事件（https://elastic.ac.cn/guide/en/beats/winlogbeat/current/_winlogbeat_overview.html）。
- 要安装 Elastic Defend，请参阅 文档。
- 要设置并运行 Winlogbeat，请按照此指南进行操作。
应执行以下步骤来安装与 LotL 攻击检测集成关联的资产
- 转到 Kibana 主页。在“管理”下，单击“集成”。
- 在查询栏中，搜索“利用本地资源攻击检测”，然后选择集成以查看有关它的更多详细信息。
- 按照 安装 部分下的说明进行操作。
- 为了使此规则有效，请完成 配置摄取管道 的说明。
规则查询
编辑process where ((problemchild.prediction == 1 and problemchild.prediction_probability > 0.98) or
blocklist_label == 1) and not process.args : ("*C:\\WINDOWS\\temp\\nessus_*.txt*", "*C:\\WINDOWS\\temp\\nessus_*.tmp*")
框架: MITRE ATT&CKTM
-
战术
- 名称: 防御规避
- ID: TA0005
- 参考 URL: https://attack.mitre.org/tactics/TA0005/
-
技术
- 名称: 伪装
- ID: T1036
- 参考 URL: https://attack.mitre.org/techniques/T1036/
-
子技术
- 名称: 伪装任务或服务
- ID: T1036.004
- 参考 URL: https://attack.mitre.org/techniques/T1036/004/