Respuesta correcta
- BEl filtro AlertName es demasiado específico y no coincide con el nombre real de la alerta.
Explicación
Es probable que el filtro `AlertName` de la consulta sea demasiado específico (por ejemplo, al usar una cadena codificada como 'RansomwareAlert') y no coincida con el nombre real de la alerta generado por las reglas de análisis de Microsoft Sentinel. Las alertas de ransomware a menudo tienen convenciones de nomenclatura dinámicas que incluyen nombres de variantes o sufijos, por lo que un filtro de coincidencia exacta no devuelve resultados aunque existan alertas. Por lo demás, la consulta parece sintácticamente correcta y el filtro `TimeGenerated` está configurado para el último día, lo que coincide con la presencia conocida de alertas.
Para profundizar
Al solucionar problemas de una consulta de KQL en Microsoft Sentinel o Log Analytics que no devuelve resultados, la causa más común es un filtro excesivamente específico o inexacto en una columna de cadena. Los operadores de comparación de cadenas predeterminados de KQL (`==`, `=~`) son exactos y distinguen mayúsculas de minúsculas, lo que significa que incluso variaciones menores en los nombres de las alertas (como un prefijo, sufijo, localización o una capitalización diferente) pueden producir un conjunto de resultados vacío mientras existen los datos subyacentes. A diferencia de los lenguajes de programación donde una discrepancia de tipos o datos mal formados generarían una excepción, las comparaciones de cadenas y dinámicas de KQL a menudo fallan silenciosamente, devolviendo cero filas en lugar de un error. Otra sutileza es que funciones como `parse_json()` son permisivas: devuelven nulo para entradas no válidas por cada fila, por lo que aún vería filas (con valores nulos) a menos que la consulta las filtre por completo. Un enfoque de depuración sólido implica primero simplificar la consulta —eliminando filtros uno por uno, usando `project` para inspeccionar el esquema y aprovechando `take` para muestrear datos sin procesar— antes de volver a agregar condiciones. Además, operadores como `has`, `contains` y `startswith` son más tolerantes que `==` y deben usarse al comparar campos dinámicos o generados por el usuario. Comprender estos comportamientos de KQL es fundamental para la búsqueda eficaz de amenazas y la clasificación de alertas en operaciones de seguridad, donde la falta de resultados puede ocultar incidentes reales.
Sobre estas preguntas de práctica
Esta es una de las preguntas de práctica originales de SC-100 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.