Solar Dozor интегрирован с MaxPatrol SIEM

Solar Dozor интегрирован с MaxPatrol SIEM

Solar Dozor интегрирован с MaxPatrol SIEM

Компании Solar Security и Positive Technologies сообщают об успешном завершении проекта по интеграции DLP-решения Solar Dozor и MaxPatrol SIEM ― системы, предназначенной для выявления инцидентов ИБ в реальном времени.

Теперь Solar Dozor передает данные в MaxPatrol SIEM, благодаря чему офицер безопасности получает полную картину событий и инцидентов ИБ в компании, включая данные о передаче конфиденциальной информации по различным каналам, из одного источника.

Solar Dozor аккумулирует данные о движении конфиденциальной информации и коммуникациях сотрудников через различные каналы: корпоративную и личную почту, мессенджеры, веб-ресурсы и др. Поскольку Solar Dozor, в отличие от других DLP-систем, фиксирует не только факт утечки информации, но и нестандартное, подозрительное поведение сотрудников компании, многие угрозы безопасности компании – как информационной, так и экономической – могут быть выявлены еще на этапе планирования, а не только реализации.

В основе MaxPatrol SIEM лежат точные знания о модели IT-инфраструктуры предприятия. Эта модель постоянно обогащается данными из внешних источников и результатов сканирований, собственных механизмов анализа сетевого трафика на уровнях L2-L7 и активности на конечных устройствах. Информация от Solar Dozor дополняет IT-модель данными о внутренних нарушителях, предоставленными самой DLP-системой или появившимися в результате корреляции событий с нескольких источников. Собранная на единой панели MaxPatrol SIEM, эта информация помогает офицеру безопасности видеть все события безопасности, приоритизировать инциденты, обнаруживать атаки на ранних стадиях и оперативно реагировать на них.

«Атаки на компании становятся все более сложными и комплексными, – рассказывает Василий Лукиных, менеджер по развитию бизнеса Solar Dozor компании Solar Security. – Те атаки, которые обычно классифицируются как «внешние», в качестве отправной точки часто включают действия инсайдера. Поэтому подключение DLP к SIEM-системе – это логичный и даже необходимый шаг. Кроме того, доступ к информации о всех событиях ИБ через единую панель MaxPatrolSIEMне только позволяет офицеру безопасности оперативно выявлять и блокировать подозрительные активности, но и делает сбор доказательств и проведение расследований проще и удобнее».

«PositiveTechnologies и SolarSecurity связывают тесные взаимоотношения: наше сотрудничество стартовало в этом году с создания услуги SolarJSOC по защите клиентских веб-приложений на базе решения PTApplicationFirewall. Интеграция MaxPatrolSIEM и одной из ведущих отечественных DLP-систем является его логичным продолжением, а также создает возможности для реализации новых сценариев использования обеих систем, отвечающих последним тенденциям и угрозам в сфере кибербезопасности», – прокомментировал проект Алексей Голдбергс, руководитель направления по работе с технологическими партнерами компании, PositiveTechnologies.

Positive Technologies научила ИИ замечать подозрительные сценарии в коде

Positive Technologies сообщила о разработке нейросети MOLOT, предназначенной для поиска вредоносного кода в проектах на Python, JavaScript и TypeScript. Технология уже используется в составе анализатора исходного кода PT Application Inspector версии 6.0.

В отличие от традиционных инструментов статического анализа, которые ищут опасные конструкции по заранее заданным правилам, новая модель анализирует последовательность действий, выполняемых программой.

Нейросеть оценивает не отдельные фрагменты кода, а их совокупность и пытается определить, формируют ли они подозрительный сценарий.

Проблема, которую пытаются решить разработчики, связана с так называемым намеренно внедрённым вредоносным кодом. В отличие от обычных уязвимостей, такой код не содержит ошибок, которые можно эксплуатировать извне. Он работает как легитимная часть приложения и использует те же права доступа, что и остальная программа.

 

По словам специалистов, именно поэтому многие подобные закладки остаются незамеченными при стандартных проверках безопасности.

Отдельные действия вредоносного кода сами по себе обычно не вызывают подозрений. Чтение файла, обращение к сети, шифрование данных или запуск процесса встречаются в тысячах обычных приложений. Однако если программа, например, считывает логины и пароли, кодирует их и затем отправляет на внешний сервер, такая последовательность уже может указывать на вредоносную активность.

 

Для анализа MOLOT строит цепочку действий программы — обращений к файлам, сетевых запросов, запуска процессов, использования криптографических функций и других операций. Затем эта последовательность передаётся в нейросеть, которая обучена отличать типичные сценарии работы приложений от поведения, характерного для вредоносного кода.

В компании утверждают, что тестирование проводилось на вредоносных пакетах из репозиториев PyPI и npm. По словам разработчиков, в ряде тестов модель показала более высокую точность по сравнению с существующими аналогами с открытым исходным кодом.

Одной из особенностей системы стала возможность объяснять свои выводы. Помимо самого вердикта нейросеть показывает строки кода, которые повлияли на решение. Это позволяет специалисту быстро перейти к подозрительному фрагменту и самостоятельно проверить результаты анализа.

Интерес к подобным инструментам растёт на фоне увеличения числа атак через цепочки поставок ПО, вредоносные пакеты в публичных репозиториях и распространения ИИ-инструментов для генерации программного кода.

RSS: Новости на портале Anti-Malware.ru