MediaSelección múltiple

Pregunta de práctica de SC-200

¿Qué DOS acciones debe realizar para mejorar el rendimiento de las reglas de análisis de Microsoft Sentinel que consultan grandes conjuntos de datos?

Elige todas las respuestas correctas.

Respuestas correctas

  • AUtilice un filtro de tiempo en la consulta para limitar el rango de datos.
  • DUtilice operadores summarize para agregar datos antes de realizar uniones.

Explicación

Aplicar un filtro de tiempo (por ejemplo, utilizando la columna `TimeGenerated`) en una consulta KQL restringe el conjunto de datos únicamente a la ventana de tiempo relevante, lo que reduce significativamente la cantidad de datos escaneados por Microsoft Sentinel. Esto mejora directamente el rendimiento de la consulta al minimizar la E/S y la sobrecarga de procesamiento, especialmente cuando las reglas de análisis se ejecutan contra grandes tablas de registros.

Por qué cada opción es correcta o incorrecta

A

Correcta

Utilice un filtro de tiempo en la consulta para limitar el rango de datos.

Aplicar un filtro de tiempo (por ejemplo, where Timestamp between datetime(...) and datetime(...)) restringe la consulta únicamente al rango de tiempo relevante, lo que reduce directamente el número de registros escaneados. Las consultas Kusto están altamente optimizadas para la fragmentación basada en tiempo, por lo que reducir la ventana permite al motor omitir extensiones enteras que quedan fuera del filtro. Este es el primer paso más efectivo porque reduce el costo de E/S y CPU en el origen, antes de que ocurra cualquier otro procesamiento o agregación.

B

Incorrecta

Utilice una lista de observación (watchlist) para prefiltrar los resultados.

Las listas de observación son conjuntos de datos de referencia almacenados en Azure Sentinel para correlación, enriquecimiento o búsquedas de permitir/denegar; no están diseñadas para actuar como un prefiltro para grandes flujos de eventos. Cuando une una lista de observación para filtrar datos, el motor aún debe escanear todas las filas de la tabla principal y evaluar la unión para cada una, lo que en realidad puede aumentar la complejidad y el tiempo de ejecución de la consulta. Una lista de observación se utiliza mejor para conjuntos pequeños y seleccionados, como direcciones IP o nombres de cuenta, no para podar millones de eventos sin procesar antes del análisis.

C

Incorrecta

Cambie el tipo de datos de las columnas a cadena (string).

Alterar los tipos de datos de las columnas a cadena no reduce el número de extensiones, páginas o registros leídos por el motor de consultas; de hecho, las columnas de cadena a menudo consumen más memoria y almacenamiento que los tipos numéricos o de fecha y hora. Forzar todo a cadena puede incluso degradar el rendimiento porque las comparaciones de cadenas son más lentas que las comparaciones numéricas e impiden la indexación eficiente o las optimizaciones basadas en rangos. El rendimiento del motor de consultas está impulsado por el recuento de filas y la distribución de datos, no por la representación textual del tipo de datos.

D

Correcta

Utilice operadores summarize para agregar datos antes de realizar uniones.

Utilizar summarize antes de una unión colapsa muchas filas en grupos agregados (por ejemplo, count(), sum(), avg()) con una cardinalidad menor, de modo que la operación de unión posterior procesa muchos menos registros. Esto es especialmente efectivo cuando solo necesita resultados a nivel agregado, porque reduce el conjunto de filas intermedias y la huella de memoria requerida para la unión. Sin embargo, esta técnica solo funciona cuando la agregación preserva las claves de unión y la granularidad de salida deseada; usarla incorrectamente puede alterar la semántica del resultado.

E

Incorrecta

Simplifique el evento eliminando las columnas no utilizadas mediante project.

El operador project descarta columnas de la salida, lo cual es útil para la legibilidad y para evitar conjuntos de resultados amplios, pero no evita que el motor lea las columnas originales del almacenamiento porque Kusto lee filas completas (extensiones) antes de la proyección. La mayor parte del costo de las consultas proviene de escanear datos sin procesar y realizar filtros/uniones; eliminar columnas a posteriori solo recorta la salida. A menos que use project inmediatamente después de la ingestión (poco probable en una consulta), tiene un impacto insignificante en el rendimiento de consultas para grandes conjuntos de datos.

Para profundizar

Esta pregunta evalúa su comprensión de los principios de optimización del lenguaje de consulta Kusto (KQL), los cuales son fundamentales para la búsqueda de amenazas y la investigación de incidentes en Microsoft Sentinel. Los mecanismos subyacentes involucran el motor de consultas y almacenamiento distribuido de Kusto: los datos se particionan en extensiones (fragmentos) que se almacenan en formato columnar, y el optimizador aprovecha la poda basada en predicados de filtro, especialmente en la columna de tiempo de ingestión (Timestamp). Una idea errónea común es que reducir el tamaño de salida o cambiar los tipos de datos acelerará las consultas, pero la ganancia de rendimiento de Kusto proviene principalmente de reducir el número de filas y columnas escaneadas durante la capa de acceso a datos, no de pasos posteriores al procesamiento como project o búsquedas en listas de observación (watchlist). Summarize fuerza la agregación parcial en un paso previo a la agregación en cada nodo, lo que reduce los datos barajados entre nodos antes de la unión final, convirtiéndolo en una técnica verdaderamente impactante para grandes flujos de eventos. Al optimizar, comience siempre con un filtro de rango de tiempo, luego considere reducir la consulta con filtros indexados en campos de uso frecuente (por ejemplo, EventID, AccountName) antes de recurrir a uniones, y evite utilizar listas de observación como si fueran filtros de filas; están destinadas para enriquecimiento o pequeñas búsquedas de referencia. Por lo tanto, el ajuste de rendimiento en el mundo real en Sentinel requiere saber qué operadores descienden a la capa de almacenamiento (where, take) frente a aquellos que operan únicamente en el conjunto de resultados en memoria (project, extend).

Sobre estas preguntas de práctica

Esta es una de las preguntas de práctica originales de SC-200 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.