MoyenneChoix multiples

Question d'entraînement SC-200

Quelles DEUX actions devez-vous entreprendre pour améliorer les performances des règles d'analyse Microsoft Sentinel qui interrogent de grands ensembles de données ?

Choisissez toutes les bonnes réponses.

Bonnes réponses

  • AUtiliser un filtre temporel dans la requête pour limiter la plage de données.
  • DUtiliser des opérateurs summarize pour agréger les données avant d'effectuer des jointures.

Explication

L'application d'un filtre temporel (par exemple, en utilisant la colonne `TimeGenerated`) dans une requête KQL restreint l'ensemble de données à la fenêtre temporelle pertinente uniquement, ce qui réduit considérablement la quantité de données analysées par Microsoft Sentinel. Cela améliore directement les performances des requêtes en minimisant les E/S et la surcharge de traitement, en particulier lorsque les règles d'analyse s'exécutent sur de grandes tables de journaux.

Pourquoi chaque option est juste ou fausse

A

Juste

Utiliser un filtre temporel dans la requête pour limiter la plage de données.

L'application d'un filtre temporel (par exemple, where Timestamp between datetime(...) and datetime(...)) restreint la requête uniquement à la plage temporelle pertinente, ce qui réduit directement le nombre d'enregistrements analysés. Les requêtes Kusto sont hautement optimisées pour le découpage temporel, de sorte que le rétrécissement de la fenêtre permet au moteur de sauter des étendues entières qui se trouvent en dehors du filtre. Il s'agit de la première étape la plus efficace car elle réduit les coûts d'E/S et de CPU à la source, avant qu'aucun autre traitement ou agrégation ne se produise.

B

Fausse

Utiliser une liste de surveillance pour pré-filtrer les résultats.

Les listes de surveillance sont des ensembles de données de référence stockés dans Azure Sentinel pour la corrélation, l'enrichissement ou les recherches d'autorisation/refus ; elles ne sont pas conçues pour agir comme un pré-filtre pour les flux d'événements volumineux. Lorsque vous effectuez une jointure avec une liste de surveillance pour filtrer des données, le moteur doit toujours analyser toutes les lignes de la table principale et évaluer la jointure pour chacune d'elles, ce qui peut réellement augmenter la complexité et le temps d'exécution de la requête. Une liste de surveillance est mieux utilisée pour de petits ensembles sélectionnés tels que des adresses IP ou des noms de compte, et non pour élaguer des millions d'événements bruts avant l'analyse.

C

Fausse

Modifier le type de données des colonnes en chaîne de caractères (string).

La modification des types de données de colonne en chaîne de caractères ne réduit pas le nombre d'étendues, de pages ou d'enregistrements lus par le moteur de requête ; en fait, les colonnes de chaînes consomment souvent plus de mémoire et de stockage que les types numériques ou de date/heure. Forcer tout en chaîne de caractères peut même dégrader les performances car les comparaisons de chaînes sont plus lentes que les comparaisons numériques et empêchent une indexation efficace ou des optimisations basées sur des plages. Les performances du moteur de requête sont déterminées par le nombre de lignes et la distribution des données, et non par la représentation textuelle du type de données.

D

Juste

Utiliser des opérateurs summarize pour agréger les données avant d'effectuer des jointures.

L'utilisation de summarize avant une jointure réduit de nombreuses lignes en groupes agrégés (par exemple, count(), sum(), avg()) avec une cardinalité plus faible, de sorte que l'opération de jointure suivante traite beaucoup moins d'enregistrements. Ceci est particulièrement efficace lorsque vous n'avez besoin que de résultats au niveau agrégé, car cela réduit l'ensemble de lignes intermédiaire et l'empreinte mémoire requise pour la jointure. Cependant, cette technique ne fonctionne que lorsque l'agrégation préserve les clés de jointure et la granularité de sortie souhaitée ; l'utiliser de manière incorrecte peut altérer la sémantique du résultat.

E

Fausse

Simplifier l'événement en supprimant les colonnes inutilisées à l'aide de project.

L'opérateur project supprime des colonnes de la sortie, ce qui est utile pour la lisibilité et pour éviter les jeux de résultats larges, mais il n'empêche pas le moteur de lire les colonnes d'origine à partir du stockage car Kusto lit des lignes complètes (étendues) avant la projection. La majeure partie du coût des requêtes provient de l'analyse des données brutes et de l'exécution de filtres/jointures ; la suppression de colonnes après coup ne fait que rogner la sortie. À moins d'utiliser project immédiatement après l'ingestion (ce qui est peu probable dans une requête), cela a un impact négligeable sur les performances des requêtes pour de grands ensembles de données.

Pour aller plus loin

Cette question teste votre compréhension des principes d'optimisation du langage de requête Kusto (KQL), qui sont essentiels pour la recherche de menaces et l'investigation d'incidents dans Microsoft Sentinel. Les mécanismes sous-jacents impliquent le stockage distribué et le moteur de requête de Kusto : les données sont partitionnées en étendues (fragments) stockées au format colonnaire, et l'optimiseur exploite l'élagage basé sur les prédicats de filtre, en particulier sur la colonne d'heure d'ingestion (Timestamp). Une idée fausse courante est que la réduction de la taille des résultats ou la modification des types de données accélérera les requêtes, mais le gain de performance de Kusto provient principalement de la réduction du nombre de lignes et de colonnes analysées au niveau de la couche d'accès aux données, et non des étapes de post-traitement telles que project ou les recherches de listes de surveillance. Summarize force une agrégation partielle dans une étape de pré-agrégation sur chaque nœud, ce qui réduit les données brassées à travers les nœuds avant la jointure finale, ce qui en fait une technique réellement percutante pour les flux d'événements volumineux. Lors de l'optimisation, commencez toujours par un filtre de plage temporelle, puis envisagez de restreindre la requête avec des filtres indexés sur les champs fréquemment utilisés (par exemple, EventID, AccountName) avant de recourir à des jointures, et évitez d'utiliser des listes de surveillance comme s'il s'agissait de filtres de lignes — elles sont destinées à l'enrichissement ou aux petites recherches de référence. Le réglage des performances dans le monde réel dans Sentinel nécessite donc de savoir quels opérateurs s'appliquent à la couche de stockage (where, take) par rapport à ceux qui fonctionnent uniquement sur l'ensemble de résultats en mémoire (project, extend).

À propos de ces questions d'entraînement

Cette question fait partie des questions d'entraînement SC-200 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.