DifficileChoix unique

Question d'entraînement AZ-500

Une entreprise de services financiers utilise Microsoft Sentinel pour détecter des activités de ransomware. Elle souhaite corréler les alertes provenant de plusieurs sources afin de réduire les faux positifs. Elle a activé les journaux de Microsoft Defender for Cloud, Microsoft Defender XDR et Azure Firewall. Quelle fonctionnalité de Sentinel doit-elle utiliser pour créer une seule alerte à partir de plusieurs signaux ?

Choisissez la meilleure réponse.

Bonne réponse

  • BFusion (machine learning) rules

Explication

Les règles Fusion (apprentissage automatique) dans Microsoft Sentinel sont spécifiquement conçues pour corréler des alertes provenant de plusieurs sources — telles que Microsoft Defender for Cloud, Microsoft Defender XDR et les journaux Azure Firewall — en utilisant des modèles d'apprentissage automatique pour identifier des schémas d'attaques en plusieurs étapes et réduire les faux positifs. Cela fait de Fusion le choix idéal pour créer une seule alerte à partir de plusieurs signaux, car elle combine automatiquement les alertes associées en un seul incident à haute fidélité.

Pourquoi chaque option est juste ou fausse

A

Fausse

Near-real-time (NRT) rules

Les règles Near-real-time (NRT) dans Microsoft Sentinel sont conçues pour une détection à faible latence, exécutant des requêtes toutes les minutes pour intercepter les menaces urgentes. Cependant, elles fonctionnent sur une seule table ou un ensemble limité de tables et n'ont pas la capacité de corréler des alertes entre différentes sources de données ou flux de produits. Lors d'une attaque en plusieurs étapes, une règle NRT ne signalerait qu'un seul indicateur isolé (par exemple, une connexion suspecte) sans le lier à un mouvement latéral ultérieur ou à une exfiltration de données, elle ne peut donc pas reconstituer la chaîne d'attaque complète. Leur avantage de faible latence ne compense pas le manque de corrélation inter-sources nécessaire pour ce scénario.

B

Juste

Fusion (machine learning) rules

Les règles Fusion (apprentissage automatique) sont spécifiquement conçues pour détecter des attaques en plusieurs étapes en corrélant des alertes de plusieurs produits, tels que Microsoft Defender for Endpoint, Defender for Identity, Defender for Office 365 et Defender for Cloud. Le moteur utilise des algorithmes d'apprentissage automatique évolutifs pour analyser les alertes entrantes, identifier des motifs correspondant à des séquences de chaînes d'attaques connues et les fusionner automatiquement en un seul incident exploitable avec l'historique de l'attaque. Cela va au-delà d'une simple agrégation d'alertes : Fusion évalue le timing, le contexte et les relations entre les alertes pour produire des incidents à haute fidélité avec de faibles taux de faux positifs. Comme le scénario exige la détection d'une attaque en plusieurs étapes s'étendant sur diverses sources d'alerte, Fusion est le choix correct.

C

Fausse

Anomaly detection rules

Les règles de détection d'anomalies dans Microsoft Sentinel utilisent l'apprentissage automatique pour établir un comportement de référence, puis signalent les écarts, tels qu'un nombre inhabituel de connexions ou une exécution de processus anormale. Ce sont intrinsèquement des détecteurs de valeurs aberrantes univariées ou multivariées simples et elles n'effectuent pas la corrélation d'alertes distinctes provenant de différentes sources pour identifier une séquence d'attaque coordonnée. Dans une attaque en plusieurs étapes, une règle d'anomalie peut faire surface sur une étape en tant que valeur aberrante, mais elle ne connectera pas automatiquement cette anomalie à d'autres étapes et ne générera pas d'incident consolidé. Ainsi, les règles d'anomalies sont utiles pour repérer un comportement suspect, mais pas pour assembler une chaîne d'attaque en plusieurs étapes.

D

Fausse

Scheduled query rules

Les règles de requêtes planifiées exécutent des requêtes KQL sur une ou plusieurs tables à des intervalles prédéfinis (par exemple, toutes les 5 minutes ou tous les 14 jours) et génèrent des alertes lorsque les résultats des requêtes correspondent à leur logique. Bien qu'un analyste qualifié puisse rédiger une requête KQL joignant plusieurs tables pour simuler une corrélation, il s'agit d'une approche manuelle et déterministe qui manque de l'intelligence intégrée pour reconnaître et fusionner automatiquement des types d'alertes hétérogènes provenant de différents produits. Ces règles sont statiques et ne s'adaptent pas aux nouveaux schémas d'attaque de la même manière que l'apprentissage automatique de Fusion, et elles ne possèdent pas non plus la capacité d'alerte inter-produits. Par conséquent, les requêtes planifiées ne constituent pas la solution automatisée appropriée pour détecter des attaques en plusieurs étapes dans ce contexte.

Pour aller plus loin

Le concept fondamental réside dans les différents mécanismes de détection de Microsoft Sentinel, chacun ayant son propre objectif : requêtes planifiées, règles en temps quasi réel, détection d'anomalies et Fusion. Fusion est unique car elle consomme des alertes déjà générées par des produits de sécurité Microsoft et applique l'apprentissage automatique pour les corréler en récits d'attaques en plusieurs étapes, au lieu d'exécuter des requêtes d'événements bruts. Une idée reçue courante est qu'une règle de détection faisant référence à plusieurs sources de données peut effectuer la même corrélation, mais la valeur de Fusion réside dans ses modèles pré-entraînés qui comprennent comment différents types d'alertes se rapportent dans une séquence de chaîne d'attaque. Un point opérationnel subtil est que Fusion dépend de connecteurs Microsoft intégrés (tels que Defender for Endpoint et Defender for Identity), son activation nécessite donc l'activation de ces sources de données et de la diffusion d'alertes. Les implications concrètes incluent une réduction de la fatigue liée aux alertes, car les alertes associées sont regroupées en un seul incident, mais aussi un manque de personnalisation fine ; la plupart des SOC ont toujours besoin de règles planifiées pour une logique de recherche sur mesure. Comprendre ces distinctions est crucial pour les candidats à l'examen AZ-500 qui doivent choisir le bon outil de détection pour un scénario de menace donné.

À propos de ces questions d'entraînement

Cette question fait partie des questions d'entraînement AZ-500 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.