MediaSelección múltiple

Pregunta de práctica de NSE7

Un administrador quiere proteger contra malware de día cero que aún no ha sido descubierto por la detección basada en firmas. ¿Qué DOS tecnologías pueden ayudar a mitigar dichas amenazas?

Elige todas las respuestas correctas.

Respuestas correctas

  • AMachine Learning Engine
  • BOutbreak Prevention

Explicación

El Machine Learning Engine (A) es correcto porque utiliza análisis de comportamiento y análisis de archivos estáticos para detectar malware previamente desconocido basándose en patrones y anomalías, sin depender de firmas. Esto le permite identificar amenazas de día cero mediante el análisis de las características de los archivos y el comportamiento en tiempo de ejecución en tiempo real.

Por qué cada opción es correcta o incorrecta

A

Correcta

Machine Learning Engine

El motor de ML analiza las características de los archivos para detectar malware desconocido.

B

Correcta

Outbreak Prevention

Outbreak Prevention utiliza heurística e inteligencia en la nube para detectar brotes.

C

Incorrecta

Signature-based antivirus

La detección basada en firmas no puede detectar amenazas desconocidas.

D

Incorrecta

Web filtering

El filtrado web bloquea categorías, no malware de día cero específico.

E

Incorrecta

Application control

El control de aplicaciones gestiona aplicaciones, no la detección de malware.

Para profundizar

El Machine Learning Engine de FortiGate ejecuta un modelo entrenado en el flujo y en los metadatos de los archivos para puntuar el tráfico en busca de características anómalas, de modo que pueda marcar malware nunca antes visto sin necesidad de una firma. Outbreak Prevention complementa esto consumiendo indicadores en tiempo real de FortiGuard y enviando automáticamente firmas de IPS, AV y filtros de DNS para bloquear una campaña activa a los pocos minutos de su descubrimiento. La sutileza radica en que la detección por aprendizaje automático es probabilística: puede producir falsos positivos, por lo que generalmente se combina con cuarentena o registro de eventos en lugar de un bloqueo rotundo. En un escenario realista, una carga útil de phishing con un hash nuevo evade el antivirus estático; el motor de aprendizaje automático marca el ejecutable anómalo mientras que Outbreak Prevention entrega una firma para la campaña, conteniendo el incidente antes de cualquier movimiento lateral.

Sobre estas preguntas de práctica

Esta es una de las preguntas de práctica originales de NSE7 de Courseiva, escrita para aprender y nunca copiada de exámenes reales ni de dumps.

Traducida del original en inglés con IA y revisada para comprobar el sentido. Los códigos de examen, los comandos y los nombres de productos se mantienen tal como aparecen en el examen.