態(tài)勢感知安全分析過程中,，通常由前端探針上報(bào)安全事件,，如若探針配置不當(dāng)，則會(huì)出現(xiàn)大量錯(cuò)誤信息。平臺(tái)分析這些信息后,，自然很容易造成安全事件的誤報(bào),，不僅妨礙安全運(yùn)營團(tuán)隊(duì)的正常判斷,，還需要耗費(fèi)大量精力進(jìn)行二次排查處理,。一些不成熟的態(tài)勢感知平臺(tái)往往還會(huì)忽略事件處理后的及時(shí)反饋動(dòng)作，安全事件分析系統(tǒng)無法從過去的誤報(bào)中吸取經(jīng)驗(yàn),，造成誤報(bào)事件依然誤報(bào)的場面,。

　　為了應(yīng)對(duì)以上誤報(bào)難題，新華三態(tài)勢感知團(tuán)隊(duì)基于機(jī)器學(xué)習(xí)算法,，研發(fā)出灰色事件分析處置引擎,，能夠降低安全事件誤報(bào)率的同時(shí)，不斷優(yōu)化自學(xué)習(xí)處理能力,，做到有效識(shí)別誤報(bào),，快速剔除誤報(bào)，準(zhǔn)確定位真實(shí)安全威脅,，提高安全運(yùn)維效率,。

　　應(yīng)用原理

　　態(tài)勢感知灰色事件分析處置引擎核心目是輔助安全運(yùn)營團(tuán)隊(duì)對(duì)安全事件進(jìn)行誤報(bào)分析和自動(dòng)化處置，通過對(duì)態(tài)勢感知平臺(tái)中安全事件狀態(tài)的“未處理”,、“已處理”,、“忽略（自動(dòng)忽略、手動(dòng)忽略）”的數(shù)據(jù)進(jìn)行分類分組,，然后通過灰色事件分析模型進(jìn)行分析,，智能分析出其中的灰色事件，結(jié)合處置經(jīng)驗(yàn),，進(jìn)行準(zhǔn)確判定,。主要步驟如下：

　　1）安全事件數(shù)據(jù)分類器，根據(jù)不同安全事件場景,，對(duì)安全事件數(shù)據(jù)進(jìn)行分類,；

　　2）灰色事件判定模型,，基于新華三云端運(yùn)維平臺(tái)海量數(shù)據(jù)，訓(xùn)練AI模型,，得出機(jī)器學(xué)習(xí)判定的經(jīng)驗(yàn)閾值參數(shù),，對(duì)安全事件進(jìn)行判定；

　　3）用戶處置判定模型,，基于人工對(duì)安全事件進(jìn)行的處置記錄歷史知識(shí),，對(duì)安全事件進(jìn)行判定；

　　4）對(duì)安全事件中的灰色事件自動(dòng)化處置,，誤報(bào)事件會(huì)自動(dòng)處置為自動(dòng)忽略,；非誤報(bào)事件基于判定模型會(huì)進(jìn)行狀態(tài)重新判別。

　　灰色事件分析處置流程圖

　　實(shí)際案例

　　某態(tài)勢感知平臺(tái)用戶,，通過灰色事件分析處理技術(shù),，結(jié)合日常的處置經(jīng)驗(yàn)，快速自動(dòng)識(shí)別誤報(bào)事件,，有效提升了真實(shí)安全事件的處置效率,。

　　現(xiàn)場平臺(tái)上有3684條安全事件,，經(jīng)過態(tài)勢感知灰色事件分析引擎,，利用泊松分布和C段分布算法分析，識(shí)別出1235條灰色事件,，其中源為內(nèi)網(wǎng)單一源目的事件為512條,、源為內(nèi)網(wǎng)的同一目的多源安全事件為358條、源為外網(wǎng)的非特殊事件為365條,，總占比33.5%,。

　　態(tài)勢感知平臺(tái)上安全事件會(huì)對(duì)灰色引擎判定的安全事件自動(dòng)處理：

　　通過實(shí)際應(yīng)用，驗(yàn)證了勢感知灰色事件分析處理引擎能夠有效提高安全運(yùn)營人員對(duì)安全事件的處置效率,，并豐富安全運(yùn)營人員處置安全事件的歷史經(jīng)驗(yàn)知識(shí),，減少因事件誤報(bào)造成的多余人力資源投入，提高運(yùn)營效率,。

　　安全牛評(píng)

　　安全事件誤報(bào)一直是讓安全管理者頭疼的問題,，傳統(tǒng)的通過白名單或者基線策略降噪方式采用的是靜態(tài)機(jī)制，可能會(huì)造成安全事件漏報(bào)或漏處理的情況,?；谌斯し治龅陌踩录呗愿聞t會(huì)帶來龐大的工作量，且存在時(shí)延的問題,。因此,，自適應(yīng)的機(jī)器學(xué)習(xí)算法將成為未來降低誤報(bào)率的發(fā)展趨勢。

　　我們認(rèn)為,，新華三灰色事件處理機(jī)器學(xué)習(xí)算法的特點(diǎn)在于可以通過實(shí)際案例經(jīng)驗(yàn)為用戶提供針對(duì)性的降噪模型,，另一方面通過其云端運(yùn)維平臺(tái)的海量數(shù)據(jù),，可以對(duì)模型進(jìn)行全方位訓(xùn)練，能夠幫助用戶降低安全事件的誤報(bào)率,。