MédiaVárias respostas

Questão de prática de SC-200

Quais DUAS ações você deve tomar para melhorar o desempenho das regras de análise do Microsoft Sentinel que consultam grandes conjuntos de dados?

Escolha todas as respostas corretas.

Respostas corretas

  • AUse um filtro de tempo na consulta para limitar o intervalo de dados.
  • DUse operadores summarize para agregar dados antes de realizar joins.

Explicação

A aplicação de um filtro de tempo (por exemplo, usando a coluna `TimeGenerated`) em uma consulta KQL restringe o conjunto de dados apenas à janela de tempo relevante, o que reduz significativamente a quantidade de dados examinados pelo Microsoft Sentinel. Isso melhora diretamente o desempenho da consulta, minimizando a sobrecarga de E/S e processamento, especialmente quando as regras de análise são executadas em grandes tabelas de log.

Por que cada alternativa está certa ou errada

A

Correta

Use um filtro de tempo na consulta para limitar o intervalo de dados.

A aplicação de um filtro de tempo (por exemplo, where Timestamp between datetime(...) and datetime(...)) restringe a consulta apenas ao intervalo de tempo relevante, o que reduz diretamente o número de registros examinados. As consultas Kusto são altamente otimizadas para fragmentação baseada em tempo, portanto, estreitar a janela permite que o mecanismo ignore extensões inteiras que caem fora do filtro. Esta é a primeira etapa mais eficaz porque reduz o custo de E/S e CPU na origem, antes que qualquer outro processamento ou agregação ocorra.

B

Incorreta

Use uma watchlist para pré-filtrar os resultados.

As watchlists são conjuntos de dados de referência armazenados no Azure Sentinel para correlação, enriquecimento ou pesquisas de permissão/bloqueio; elas não foram projetadas para agir como um pré-filtro para grandes fluxos de eventos. Quando você faz um join com uma watchlist para filtrar dados, o mecanismo ainda precisa examinar todas as linhas da tabela principal e avaliar o join para cada uma, o que pode realmente aumentar a complexidade da consulta e o tempo de execução. Uma watchlist é melhor usada para conjuntos pequenos e selecionados, como endereços IP ou nomes de contas, e não para podar milhões de eventos brutos antes da análise.

C

Incorreta

Altere o tipo de data das colunas para string.

Alterar os tipos de dados das colunas para string não reduz o número de extensões, páginas ou registros lidos pelo mecanismo de consulta; de fato, as colunas de string geralmente consomem mais memória e armazenamento do que os tipos numéricos ou de data e hora. Forçar tudo para string pode até degradar o desempenho porque as comparações de string são mais lentas do que as comparações numéricas e impedem a indexação eficiente ou otimizações baseadas em intervalo. O desempenho do mecanismo de consulta é impulsionado pela contagem de linhas e distribuição de dados, e não pela representação textual do tipo de dado.

D

Correta

Use operadores summarize para agregar dados antes de realizar joins.

O uso de summarize antes de um join agrupa muitas linhas em grupos agregados (por exemplo, count(), sum(), avg()) com uma cardinalidade menor, de modo que a operação de join subsequente processa muito menos registros. Isso é especialmente eficaz quando você precisa apenas de resultados em nível agregado, pois reduz o conjunto de linhas intermediárias e a pegada de memória necessária para o join. No entanto, essa técnica só funciona quando a agregação preserva as chaves de join e a granularidade de saída desejada; usá-la incorretamente pode alterar a semântica do resultado.

E

Incorreta

Simplifique o evento removendo colunas não utilizadas usando project.

O operador project descarta colunas da saída, o que é útil para a legibilidade e para evitar conjuntos de resultados amplos, mas não impede que o mecanismo leia as colunas originais do armazenamento, pois o Kusto lê linhas completas (extensões) antes da projeção. A maior parte do custo da consulta vem da varredura de dados brutos e da execução de filtros/joins; remover colunas após o fato apenas corta a saída. A menos que você use project imediatamente após a ingestão (o em uma consulta), isso tem impacto negligenciável no desempenho da consulta para grandes conjuntos de dados.

Para se aprofundar

Esta pergunta testa sua compreensão dos princípios de otimização da Kusto Query Language (KQL), que são centrais para a caça a ameaças e investigação de incidentes no Microsoft Sentinel. A mecânica subjacente envolve o armazenamento distribuído e o mecanismo de consulta do Kusto: os dados são particionados em extensões (fragmentos) armazenados em formato colunar, e o otimizador aproveita a poda com base em predicados de filtro, especialmente na coluna de tempo de ingestão (Timestamp). Um equívoco comum é que a redução do tamanho da saída ou a alteração de tipos de dados acelerará as consultas, mas o ganho de desempenho do Kusto vem principalmente da redução do número de linhas e colunas examinadas durante a camada de acesso aos dados, e não de etapas de pós-processamento como project ou consultas de watchlist. O summarize força a agregação parcial em uma etapa de pré-agregação em cada nó, o que reduz os dados embaralhados entre nós antes da junção final, tornando-a uma técnica verdadeiramente impactante para grandes fluxos de eventos. Ao otimizar, comece sempre com um filtro de intervalo de tempo, considere estreitar a consulta com filtros indexados em campos usados com frequência (por exemplo, EventID, AccountName) antes de recorrer a junções, e evite usar watchlists como se fossem filtros de linha — elas destinam-se a enriquecimento ou pequenas consultas de referência. O ajuste de desempenho do mundo real no Sentinel exige, portanto, saber quais operadores são enviados para a camada de armazenamento (where, take) versus aqueles que operam exclusivamente no conjunto de dados em memória (project, extend).

Sobre estas questões de prática

Esta é uma das questões de prática originais de SC-200 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.