DifícilMúltipla escolha

Questão de prática de AZ-500

Uma empresa de serviços financeiros usa o Microsoft Sentinel para detectar atividades de ransomware. Eles desejam correlacionar alertas de várias fontes para reduzir falsos positivos. Eles habilitaram logs do Microsoft Defender for Cloud, Microsoft Defender XDR e Azure Firewall. Qual recurso do Sentinel eles devem usar para criar um único alerta a partir de múltiplos sinais?

Escolha a melhor resposta.

Resposta correta

  • BFusion (machine learning) rules

Explicação

As regras de Fusion (machine learning) no Microsoft Sentinel são projetadas especificamente para correlacionar alertas de várias fontes — como logs do Microsoft Defender for Cloud, Microsoft Defender XDR e Azure Firewall — usando modelos de machine learning para identificar padrões de ataque de vários estágios e reduzir falsos positivos. Isso torna o Fusion a escolha correta para criar um único alerta a partir de múltiplos sinais, pois ele combina automaticamente alertas relacionados em um único incidente de alta fidelidade.

Por que cada alternativa está certa ou errada

A

Incorreta

Near-real-time (NRT) rules

As regras Near-real-time (NRT) no Microsoft Sentinel são projetadas para detecção de baixa latência, executando consultas a cada minuto para capturar ameaças urgentes. No entanto, elas operam em uma única tabela ou em um conjunto limitado de tabelas e não têm a capacidade de correlacionar alertas entre diferentes fontes de dados ou feeds de produtos. Em um ataque de vários estágios, uma regra NRT sinalizaria apenas um indicador isolado (por exemplo, um login suspeito) sem vinculá-lo ao movimento lateral subsequente ou à exfiltração de dados, portanto, não pode reconstruir a cadeia de ataque completa. Seu benefício de baixa latência não compensa a falta de correlação entre fontes necessária para este cenário.

B

Correta

Fusion (machine learning) rules

As regras de Fusion (machine learning) são criadas especificamente para detectar ataques de vários estágios correlacionando alertas de vários produtos, como Microsoft Defender for Endpoint, Defender for Identity, Defender for Office 365 e Defender for Cloud. O mecanismo usa algoritmos de machine learning escaláveis para analisar alertas recebidos, identificar padrões que correspondem a sequências de kill-chain conhecidas e fundi-los automaticamente em um único incidente acionável com uma história do ataque. Isso vai além da simples agregação de alertas: o Fusion avalia o tempo, o contexto e os relacionamentos entre alertas para produzir incidentes de alta fidelidade com baixas taxas de falsos positivos. Como o cenário exige a detecção de um ataque de vários estágios que abrange várias fontes de alerta, o Fusion é a escolha correta.

C

Incorreta

Anomaly detection rules

As regras de Anomaly detection no Microsoft Sentinel empregam machine learning para estabelecer um comportamento de linha de base e, em seguida, sinalizar desvios, como um número incomum de logins ou execução anormal de processos. Elas são inerentemente detectores de outliers univariados ou multivariados simples e não realizam a correlação de alertas distintos de diferentes fontes para identificar uma sequência de ataque coordenada. Em um ataque de vários estágios, uma regra de anomalia pode revelar um estágio como um outlier, mas não conectará automaticamente essa anomalia a outros estágios ou gerará um incidente consolidado. Portanto, as regras de anomalia são úteis para detectar comportamentos suspeitos, mas não para unir uma kill-chain de vários estágios.

D

Incorreta

Scheduled query rules

As regras de Scheduled query executam consultas KQL em uma ou mais tabelas a cada intervalo predefinido (por exemplo, a cada 5 minutos até a cada 14 dias) e geram alertas quando os resultados da consulta correspondem à sua lógica. Embora um analista qualificado possa escrever uma consulta KQL que faça join entre várias tabelas para simular a correlação, essa é uma abordagem manual e determinística que carece da inteligência integrada para reconhecer e fundir automaticamente tipos de alertas heterogêneos de diferentes produtos. Essas regras são estáticas e não escalam ou se adaptam a novos padrões de ataque da maneira que o machine learning do Fusion faz, nem possuem a capacidade de alerta entre produtos. Portanto, as consultas agendadas não são a solução automatizada apropriada para detectar ataques de vários estágios neste contexto.

Para se aprofundar

O conceito central são os diferentes mecanismos de detecção do Microsoft Sentinel, cada um com seu propósito: consultas agendadas, regras de tempo quase real, detecção de anomalias e Fusion. O Fusion é único porque consome alertas já gerados por produtos de segurança da Microsoft e aplica machine learning para correlacioná-los em narrativas de ataque de vários estágios, em vez de executar consultas de eventos brutos. Um equívoco comum é que qualquer regra de detecção que referencie várias fontes de dados pode realizar a mesma correlação, mas o valor do Fusion reside em seus modelos pré-treinados que entendem como diferentes tipos de alertas se relacionam em uma sequência de kill-chain. Um ponto operacional sutil é que o Fusion depende de conectores integrados da Microsoft (como Defender for Endpoint e Defender for Identity), portanto, ativá-lo requer habilitar essas fontes de dados e o streaming de alertas. As implicações no mundo real incluem a redução da fadiga de alertas, pois alertas relacionados são agrupados em um único incidente, mas também a falta de personalização detalhada — a maioria dos SOCs ainda precisa de regras agendadas para lógica de caça personalizada. Entender essas distinções é fundamental para os candidatos ao AZ-500 que devem escolher a ferramenta de detecção certa para um determinado cenário de ameaça.

Sobre estas questões de prática

Esta é uma das questões de prática originais de AZ-500 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.