DifícilMúltipla escolha

Questão de prática de SCS-C02

Uma empresa tem o requisito de detectar e responder a ameaças em tempo quase real analisando os logs de fluxo de VPC (VPC Flow Logs). Os logs são gerados em uma VPC e enviados para o CloudWatch Logs. Qual é a maneira MAIS eficiente de analisar esses logs em busca de padrões suspeitos e disparar respostas automatizadas?

Escolha a melhor resposta.

Resposta correta

  • DUsar o Amazon Kinesis Data Analytics para análise em tempo real e o AWS Lambda para resposta automatizada

Explicação

O Amazon Kinesis Data Analytics pode processar logs de fluxo de VPC em streaming do CloudWatch Logs em tempo quase real usando SQL ou Apache Flink, permitindo a detecção imediata de padrões suspeitos. O AWS Lambda pode então ser acionado para automatizar ações de resposta a incidentes, como atualizar grupos de segurança ou isolar instâncias, tornando esta a solução mais eficiente para detecção e resposta a ameaças em tempo quase real.

Por que cada alternativa está certa ou errada

A

Incorreta

Fazer streaming de logs para o Amazon Elasticsearch Service e usar alertas do Kibana

Fazer streaming de logs para o Amazon Elasticsearch Service (Amazon OpenSearch Service) e depender de alertas do Kibana não é adequado para verdadeira detecção de ameaças em tempo real porque a ingestão é orientada a lotes (por exemplo, usar o Kinesis Firehose introduz uma janela de buffer padrão de 1 a 5 minutos e o OpenSearch possui um intervalo de atualização de indexação que atrasa a visibilidade do documento). Além disso, os alertas do Kibana executam consultas agendadas em dados já indexados, adicionando mais latência. Isso significa que o tempo de detecção fica minutos atrás da ameaça real, o que falha em atender a um requisito de resposta em tempo real.

B

Incorreta

Usar notificações de eventos do S3 para acionar funções Lambda em novos arquivos de log

Usar notificações de eventos do S3 para acionar funções Lambda em novos arquivos de log pressupõe que os logs já foram entregues ao S3, mas a maioria dos serviços de log (CloudTrail, VPC Flow Logs, logs de ELB) entrega arquivos apenas após um intervalo de frequência (tipicamente de 5 minutos a várias horas), portanto a atividade não é capturada à medida que acontece. Mesmo quando um evento é disparado, o arquivo completo deve ser gravado primeiro, e a invocação do Lambda adiciona sobrecarga de inicialização a frio (às vezes de 1 a 3 segundos), tornando a latência total de ponta a ponta de detecção alta demais para resposta a ameaças em tempo real. Essa abordagem é mais adequada para tarefas assíncronas de pós-processamento, e não para detecção imediata.

C

Incorreta

Exportar logs para o S3 e usar consultas do Amazon Athena com regras agendadas

Exportar logs para o S3 e usar o Athena com regras agendadas é fundamentalmente um modelo de análise em lote — as consultas do Athena são executadas em objetos no S3 e incorrem em sobrecarga para descoberta de objetos, leitura de arquivos e varredura de dados; cada consulta normalmente leva de segundos a minutos, especialmente em grandes conjuntos de dados de log. Regras agendadas (por exemplo, via EventBridge Scheduler) são executadas em um intervalo fixo semelhante ao cron, o que significa que ameaças podem passar despercebidas até o próximo agendamento, e não há gatilho orientado a eventos para iniciar uma ação imediata. Como o Athena é baseado em pull e não em streaming, ele não consegue detectar anomalias à medida que ocorrem, tornando-o inadequado para detecção e resposta em menos de um minuto.

D

Correta

Usar o Amazon Kinesis Data Analytics para análise em tempo real e o AWS Lambda para resposta automatizada

O Amazon Kinesis Data Analytics processa continuamente logs em streaming usando SQL ou Apache Flink, permitindo correspondência de padrões, detecção de anomalias e agregação em janelas deslizantes em tempo quase real — a latência pode ser inferior a alguns segundos. Ele pode enviar seus resultados para uma função Lambda (via destino do Kinesis Data Analytics ou um Kinesis Data Stream intermediário) que então executa uma resposta automatizada (por exemplo, atualizando grupos de segurança, invocando o AWS WAF ou enviando alertas). Essa arquitetura de processamento de fluxo atende diretamente ao requisito de 'detectar e responder' com atraso mínimo, ao contrário de alternativas baseadas em lote.

Para se aprofundar

Esta pergunta testa a capacidade do candidato de distinguir entre análise de streaming em tempo real e processamento em lote ou em tempo quase real na AWS. O requisito principal é 'detectar e responder' rapidamente, o que implica em um pipeline de baixa latência. Serviços como Amazon S3, Athena e OpenSearch (Elasticsearch) são projetados para armazenamento, análise e busca em dados já persistidos, com atrasos inerentes de entrega de arquivos, indexação e agendamento de consultas. Em contraste, o Amazon Kinesis Data Streams ingere dados de log com latência inferior a um segundo e o Kinesis Data Analytics realiza processamento contínuo, permitindo definir consultas que analisam dados conforme eles fluem. Um ponto sutil, mas importante, é que nem todos os logs fazem streaming nativo para o Kinesis; por exemplo, os logs do CloudTrail podem ser entregues ao CloudWatch Logs, que então pode fazer streaming para o Kinesis Data Streams via filtro de assinatura, ou você pode usar o recurso de logs diretos para o Kinesis do CloudTrail. A arquitetura ideal geralmente combina Kinesis Data Analytics (ou uma função Lambda em um Kinesis Data Stream) para detecção e Lambda para remediação automatizada, garantindo que a resposta seja disparada imediatamente quando uma ameaça for identificada. Um equívoco comum é que as notificações de eventos do S3 são em tempo real, mas elas são inerentemente orientadas a eventos após a gravação de um objeto, o que ainda é orientado em lote devido aos cronogramas de entrega de logs. Compreender as características de latência de cada serviço da AWS é crucial para projetar um pipeline de detecção de ameaças adequado.

Sobre estas questões de prática

Esta é uma das questões de prática originais de SCS-C02 da Courseiva, escrita para o aprendizado e nunca copiada de provas reais nem de dumps.

Traduzida do original em inglês com IA e conferida quanto ao sentido. Códigos de exame, comandos e nomes de produtos são mantidos como aparecem na prova.