MoyenneChoix multiples

Question d'entraînement NSE7

Un administrateur souhaite se protéger contre les logiciels malveillants zero-day qui n'ont pas encore été découverts par la détection basée sur les signatures. Quelles DEUX technologies peuvent aider à atténuer ces menaces ?

Choisissez toutes les bonnes réponses.

Bonnes réponses

  • AMachine Learning Engine
  • BOutbreak Prevention

Explication

Le Machine Learning Engine (A) est correct car il utilise l'analyse comportementale et l'analyse de fichiers statiques pour détecter les logiciels malveillants inconnus jusqu'alors en se basant sur des motifs et des anomalies, sans s'appuyer sur des signatures. Cela lui permet d'identifier les menaces zero-day en analysant les caractéristiques des fichiers et le comportement d'exécution en temps réel.

Pourquoi chaque option est juste ou fausse

A

Juste

Machine Learning Engine

Le moteur de ML analyse les caractéristiques des fichiers pour détecter les logiciels malveillants inconnus.

B

Juste

Outbreak Prevention

Outbreak Prevention utilise l'heuristique et l'intelligence cloud pour détecter les épidémies.

C

Fausse

Signature-based antivirus

La détection basée sur les signatures ne peut pas détecter les menaces inconnues.

D

Fausse

Web filtering

Le filtrage web bloque des catégories, et non des logiciels malveillants zero-day spécifiques.

E

Fausse

Application control

Le contrôle des applications gère les applications, et non la détection de logiciels malveillants.

Pour aller plus loin

Le Machine Learning Engine de FortiGate exécute un modèle entraîné sur le flux et les métadonnées de fichiers pour attribuer un score au trafic à la recherche de caractéristiques anormales, afin de pouvoir signaler des logiciels malveillants jamais vus auparavant sans signature. Outbreak Prevention complète cela en consommant des indicateurs en temps réel de FortiGuard et en poussant automatiquement des signatures IPS, AV et de filtrage DNS pour bloquer une campagne active en quelques minutes après sa découverte. La subtilité est que la détection par apprentissage automatique est probabiliste : elle peut produire des faux positifs, elle est donc généralement associée à la mise en quarantaine ou à la journalisation plutôt qu'à un blocage pur et simple. Dans un scénario réaliste, une charge utile de phishing dotée d'un nouveau hachage contourne l'antivirus statique ; le moteur de ML signale l'exécutable anormal tandis qu'Outbreak Prevention fournit une signature pour la campagne, contenant l'incident avant tout déplacement latéral.

À propos de ces questions d'entraînement

Cette question fait partie des questions d'entraînement NSE7 originales de Courseiva, rédigées pour apprendre et jamais copiées d'examens réels ou de dumps.

Traduite de l'original anglais avec l'IA et vérifiée pour le sens. Les codes d'examen, les commandes et les noms de produits sont conservés tels qu'ils apparaissent à l'examen.