Dashboard UEBA con Machine Learning
L'applicazione IBM® QRadar® User Entity Behavior Analytics (UEBA) con Machine Learning Analytics include lo stato del modello Machine Learning e ulteriori dettagli per l'utente selezionato.
Dashboard
Dopo aver abilitato i modelli Machine Learning , fare clic sulla scheda User Entity Analytics per aprire la pagina principale UEBA Overview (Dashboard).
- La barra di avanzamento viola indica che il modello sta inserendo i dati.
- La barra di avanzamento blu indica che il modello è in fase di creazione.
- La barra di avanzamento verde indica che il modello è di addestramento. Nota: se il modello non riceve dati, rimane in addestramento fino a quando non vengono ricevuti dati sufficienti.
- Il segno di spunta verde indica che il modello è abilitato.
- L'icona di avvertenza gialla indica che è stato rilevato un problema durante la fase di creazione del modello. Vedi Lo stato dell'appMachine Learning mostra un'avvertenza sul dashboard.
per visualizzare la pagina Machine Learning
Analytics e modificare la configurazione per i modelli di machine learning.
Pagina Dettagli utente
È possibile fare clic su un nome utente da qualsiasi punto dell'applicazione per visualizzare i dettagli per l'utente selezionato.
È possibile ottenere ulteriori informazioni sulle attività dell'utente con il riquadro Visualizzatore eventi . Il riquadro del visualizzatore eventi mostra le informazioni su un'attività selezionata o su un punto temporale. Facendo clic su un evento nel riquadro del visualizzatore eventi vengono mostrati ulteriori dettagli, quali gli eventi syslog e le informazioni sul payload. Il riquadro del visualizzatore eventi è disponibile per tutti i grafici ad anello e a linee nella pagina Dettagli utente .
Le seguenti tabelle descrivono i grafici Machine Learning Analytics disponibili nella pagina Dettagli utente .
| Grafici di serie temporali | Descrizione |
|---|---|
|
Nota: tutti i modelli personalizzati utilizzano questo tipo di grafico.
Mostra i modelli di comportamento dell'attività utente effettivi e previsti. I valori effettivi sono il numero di eventi per tale utente durante il periodo di tempo selezionato. I valori previsti sono il numero previsto di eventi per tale utente durante il periodo di tempo selezionato. Un cerchio rosso indica che è stata rilevata un'anomalia e un evento sense è stato generato dal machine learning. Nel grafico delle serie temporali, è possibile:
La seguente immagine mostra un esempio di un grafico di serie temporali nell'interfaccia utente del tema chiaro UEBA 4.0.0 .
 |
| Grafico di distribuzione | Descrizione |
|---|---|
| Distribuzione attività | Mostra i cluster di comportamento dinamico per tutti gli utenti monitorati dal machine learning. I cluster vengono ricavati dalle categorie di attività per tutti gli utenti monitorati dal machine learning. I valori effettivi sono la percentuale di corrispondenza con tale cluster. I valori previsti sono la percentuale prevista corrispondente a tale cluster. Ogni colore nel grafico rappresenta un cluster di comportamento dinamico univoco per tutti gli utenti monitorati dal machine learning. Un colore utilizzato per indicare un particolare gruppo è lo stesso per tutti gli utenti. Una linea verticale rossa indica che è stata rilevata un'anomalia e che il machine learning ha generato un evento sense. Sul grafico, è possibile:
La seguente immagine mostra un esempio di grafico di distribuzione attività nell'IU del tema light UEBA 4.0.0 .
 |
| Grafici di gruppi di peer | Descrizione |
|---|---|
|
Mostra la differenza tra l'attività evento di un utente e quella del relativo gruppo di peer. Un cerchio rosso indica che è stata rilevata un'anomalia e un evento sense è stato generato dal machine learning. Il gruppo definito è il gruppo LDAP scelto nelle impostazioni del modello. Comportamento rilevato come sono i gruppi a cui il comportamento dell'utente era simile durante il giorno. La deviazione dal gruppo di peer indica la percentuale che un utente ha deviato dal gruppo di peer definito. La confidenza si basa sulla quantità di dati raccolti per creare il modello dagli utenti del gruppo per effettuare previsioni accurate. Un avviso viene attivato se la deviazione e la confidenza superano entrambe le soglie. Per visualizzare l'analitica del gruppo di peer, è necessario configurare le importazioni utente per raccogliere le proprietà di raggruppamento utente per soddisfare i requisiti minimi. Selezionare la proprietà di raggruppamento nella pagina di configurazione che rappresenta i gruppi da modellare. Consultare Ottimizzazione delle configurazioni di importazione utente per i dettagli sulla configurazione del gruppo personalizzato. Sul grafico, è possibile:
I peer nella tabella "tuo gruppo di peer" ti mostrano gli utenti più a rischio nel gruppo dell'utente corrente. Sarai in grado di:
 |
- Spostamento laterale: attività porta di destinazione interna
- Spostamento laterale: accesso zona di rete
- Spostamento laterale: utilizzo asset interno
- Utilizzo del processo