DifícilOpción múltiple

Pregunta de práctica de AZ-500

Una empresa de servicios financieros utiliza Microsoft Sentinel para detectar actividad de ransomware. Desean correlacionar alertas de múltiples fuentes para reducir los falsos positivos. Han habilitado los registros de Microsoft Defender for Cloud, Microsoft Defender XDR y Azure Firewall. ¿Qué característica de Sentinel deben usar para crear una sola alerta a partir de múltiples señales?

Elige la mejor respuesta.

Respuesta correcta

  • BFusion (machine learning) rules

Explicación

Las reglas de Fusion (aprendizaje automático) en Microsoft Sentinel están diseñadas específicamente para correlacionar alertas de múltiples fuentes (como Microsoft Defender for Cloud, Microsoft Defender XDR y los registros de Azure Firewall) mediante el uso de modelos de aprendizaje automático para identificar patrones de ataques de múltiples etapas y reducir los falsos positivos. Esto convierte a Fusion en la opción correcta para crear una sola alerta a partir de múltiples señales, ya que combina automáticamente alertas relacionadas en un solo incidente de alta fidelidad.

Por qué cada opción es correcta o incorrecta

A

Incorrecta

Near-real-time (NRT) rules

Las reglas Near-real-time (NRT) en Microsoft Sentinel están diseñadas para la detección de baja latencia, ejecutando consultas con una frecuencia de hasta un minuto para detectar amenazas urgentes. Sin embargo, operan en una sola tabla o en un conjunto limitado de tablas y no tienen la capacidad de correlacionar alertas entre diferentes fuentes de datos o feeds de productos. En un ataque de múltiples etapas, una regla NRT marcaría solo un indicador aislado (por ejemplo, un inicio de sesión sospechoso) sin vincularlo al movimiento lateral posterior o a la exfiltración de datos, por lo que no puede reconstruir la cadena de ataque completa. Su beneficio de baja latencia no compensa la falta de correlación entre fuentes necesaria para este escenario.

B

Correcta

Fusion (machine learning) rules

Las reglas de Fusion (aprendizaje automático) están construidas específicamente para detectar ataques de múltiples etapas mediante la correlación de alertas de múltiples productos, como Microsoft Defender for Endpoint, Defender for Identity, Defender for Office 365 y Defender for Cloud. El motor utiliza algoritmos de aprendizaje automático escalables para analizar las alertas entrantes, identificar patrones que coincidan con secuencias de cadena de ataque conocidas y fusionarlas automáticamente en un solo incidente procesable con la historia del ataque. Esto va más allá de la simple agregación de alertas: Fusion evalúa el momento, el contexto y las relaciones entre las alertas para producir incidentes de alta fidelidad con bajas tasas de falsos positivos. Debido a que el escenario requiere detectar un ataque de múltiples etapas que abarca varias fuentes de alerta, Fusion es la opción correcta.

C

Incorrecta

Anomaly detection rules

Las reglas de detección de anomalías en Microsoft Sentinel emplean el aprendizaje automático para establecer un comportamiento base y luego marcar desviaciones, como un número inusual de inicios de sesión o una ejecución de procesos anormal. Son inherentemente detectores de valores atípicos univariados o multivariados simples y no realizan la correlación de alertas distintas de diferentes fuentes para identificar una secuencia de ataque coordinada. En un ataque de múltiples etapas, una regla de anomalía puede mostrar una etapa como un valor atípico, pero no conectará automáticamente esa anomalía con otras etapas ni generará un incidente consolidado. Por lo tanto, las reglas de anomalías son útiles para detectar comportamientos sospechosos, pero no para unir una cadena de ataque de múltiples etapas.

D

Incorrecta

Scheduled query rules

Las reglas de consultas programadas ejecutan consultas KQL en una o más tablas a intervalos predefinidos (por ejemplo, cada 5 minutos o cada 14 días) y generan alertas cuando los resultados de la consulta coinciden con su lógica. Si bien un analista capacitado podría escribir una consulta KQL que realice uniones en múltiples tablas para simular la correlación, este es un enfoque manual y determinista que carece de la inteligencia integrada para reconocer y fusionar automáticamente tipos de alertas heterogéneos de diferentes productos. Estas reglas son estáticas y no escalan ni se adaptan a nuevos patrones de ataque de la manera en que lo hace el aprendizaje automático de Fusion, ni tienen la capacidad de generar alertas entre productos. Por lo tanto, las consultas programadas no son la solución automatizada adecuada para detectar ataques de múltiples etapas en este contexto.

Para profundizar

El concepto central son los diferentes mecanismos de detección de Microsoft Sentinel, cada uno con su propio propósito: consultas programadas, reglas en tiempo real, detección de anomalías y Fusion. Fusion es único porque consume alertas ya generadas por productos de seguridad de Microsoft y aplica aprendizaje automático para correlacionarlas en narrativas de ataques de múltiples etapas, en lugar de ejecutar consultas de eventos sin procesar. Un error común es pensar que cualquier regla de referencia de múltiples fuentes puede realizar la misma correlación, pero el valor de Fusion radica en sus modelos preentrenados que entienden cómo se relacionan los diferentes tipos de alerta en una secuencia de cadena de ataques. Un detalle operativo sutil es que Fusion depende de conectores integrados de Microsoft (como Defender for Endpoint y Defender for Identity), por lo que activarlo requiere habilitar esas fuentes de datos y la transmisión de alertas. Las implicaciones en el mundo real incluyen una menor fatiga de alertas debido a que las alertas relacionadas se agrupan en un solo incidente, pero también una falta de personalización detallada; la mayoría de los SOC todavía necesitan reglas programadas para la lógica de búsqueda personalizada. Comprender estas distinciones es fundamental para los candidatos de AZ-500 que deben elegir la herramienta de detección adecuada para un escenario de amenaza dado.

Sobre estas preguntas de práctica

Esta es una de las preguntas de práctica originales de AZ-500 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.