本文共计1960字,阅读预计需要8分钟
随着计算机和网络技术发展,信息系统的应用越来越广泛。数据库做为信息技术的核心和基础,承载着越来越多的关键业务系统,渐渐成为商业和公共安全中最具有战略性的资产,数据库的安全稳定运行也直接决定着业务系统能否正常使用。
数据库的安全威胁主要来自两个方面,一是企业外部的非法入侵,黑客针对业务系统或者数据库漏洞,采取各种攻击手段,篡改或者盗取数据。二是企业内部的违规操作,内部员工的恶意破坏、违规操作和越权访问,往往会带来数据的大量外泄和严重损坏,甚至导致数据库系统崩溃。其中,数据库敏感数据访问操作往往不具备攻击特征,很难被普通的信息安全防护系统识别出来,就更加防不胜防,迫切需要一种行之有效的手段来进行防护。
针对数据库敏感数据访问异常的问题,明朝万达推出了数据库敏感数据访问异常检测的UEBA智能分析引擎产品。该产品采用了特征工程、机器学习和深度学习等人工智能技术,能够对数据库敏感数据访问异常进行精准的检测,保护数据库的安全。该产品可以自定义敏感数据规则集,将符合敏感数据规则集的数据库访问日志数据进行建模,检测出数据库敏感数据访问中的异常,并对异常和风险等级划分,从而为安全运维中的工作人员提供了数据库敏感数据访问异常处理的优先级,提高了安全防护的运行效率和真正的数据泄露事件的发现概率。
数据库敏感数据异常访问检测解决方案
数据库敏感数据访问异常检测的UEBA智能分析引擎产品解决方案共分为:数据输入、数据预处理、特征工程、异常检测、结果输出五大模块。数据库敏感数据访问异常检测的关键流程如下图所示,各个模块的主要工作可以划分为:
1.输入:用户自定义的敏感数据规则集用于构建日志数据;用户选择待检测的数据库资源账号,获取该数据库资源账号中敏感数据访问的日志数据。
2.数据预处理:对输入的日志数据进行数据过滤,空值异常值的处理等,得到结构化的日志数据。
3.特征工程:将结构化的日志数据进行特征构建得到数据特征,让机器学习模型能够学习到数据的特征。并进行特征选择得到对模型有用的特征,提高模型检测的速度和准确度。
4.异常检测:对特征工程处理后的数据,进行机器学习异常检测算法的建模和检测,得到数据库敏感数据访问的正常行为基线与当前行为得分。
5.输出:最终比对基线与得分,判断该数据库敏感数据访问是否存在异常行为。
数据预处理
数据预处理阶段数据库敏感数据访问的日志数据由非结构化的数据转为结构化的日志数据,包括数据的过滤,空值异常值的处理,必传字段的检查,数据扁平化处理等。其中采用不同的填充策略,填充日志数据中的空值。
特征工程
特征工程,也被称为Feature Engineering,是一种解决原始数据不能直接用于模型预测的问题的技术。它通过将原始数据转化为能更好地表达问题本质的特征,使得这些特征在预测模型中的应用能提高对不可见数据的模型预测精度。特征工程的过程通常包括特征构建(Feature Construction)、特征选择(Feature Selection)和特征提取(Feature Extraction)等子问题。
特征构建
特征构建是特征工程的一部分,它涉及到从原始数据中创建新的特征。这个过程需要一定的专业知识和经验,主要目标是发现与目标变量有显著影响的特征。这些新的特征也被称为衍生变量,它们是通过对原始数据进行加工、特征组合而生成的具有业务意义的新变量。
特征选择
特征选择,也被称为特征子集选择或属性选择,是特征工程中的一个重要环节。其主要目标是从原始的M个特征中选择N个最有效、最相关的特征,以降低数据集维度,提高模型的学习性能和精度。特征选择技术可分为过滤法、包装法和嵌入法三大类。
异常检测
异常检测,也被称为离群值检测,是一种识别不正常情况和挖掘非逻辑数据的技术。其主要目标是识别数据中的“异常点”,这些异常点与正常的、预期的数据行为存在显著差异。
异常检测算法通过对输入的特征数据进行建模,并将待检测的数据库敏感数据访问的数据输入到模型中进行检测,得到检测结果,即基线与得分,来判断数据的正常或异常。
综上,明朝万达推出的数据库敏感数据访问异常检测的UEBA智能分析引擎产品通过数据处理、特征工程、异常检测和基线构建实现了对数据库敏感数据访问的异常检测以及风险程度排序,提高了企业数据库安全风险的处理效率,从而提升了企业数据库安全防护的能力。
明朝万达
作为中国新一代信息安全技术企业的代表厂商,明朝万达多年来专注于数据安全、公共安全、云安全、大数据安全及加密应用技术解决方案等服务,客户覆盖金融、政府、公安、电信运营商等诸多行业。
公司始终以守护用户数据价值为己任,致力于让安全真正服务于业务发展。在坚持技术创新的同时,注重技术与业务的深度融合,为客户提供量身定制的数据安全解决方案。
网站声明:如果转载,请联系本站管理员。否则一切后果自行承担。
添加我为好友,拉您入交流群!
请使用微信扫一扫!