مسترکلاس مهندسی تشخیص - بخش 2

آنچه یاد خواهید گرفت:

• درک چگونگی نگارش مستندات تشخیص 
• توانایی خودکارسازی اعتبارسنجی مستندات
• یادگیری GitHub Actions برای اعتبارسنجی خودکار مستندات
• نوشتن اسکریپت‌های Python برای همزمان سازی کتابخانه تشخیص با SIEM
• نوشتن اسکریپت‌های Python برای ایجاد معیارها 

توضیحات دوره

به مسترکلاس مهندسی تشخیص - بخش 2 خوش آمدید!

این دوره ابتدا تئوری پشت عملیات امنیتی و مهندسی تشخیص را آموزش می‌دهد. سپس ساخت آزمایشگاه خانگی با استفاده از VirtualBox و محصول امنیتی Elastic آغاز می‌شود. در ادامه، سه سناریوی حمله مختلف اجرا خواهد شد که هر کدام پیچیده‌تر از قبلی است. بر اساس این حملات، تشخیص‌هایی ایجاد شده و چگونگی مستندسازی آن‌ها آموزش داده می‌شود. سپس تمرکز بیشتری روی کدنویسی و Python خواهد بود؛ نوشتن اسکریپت‌های اعتبارسنجی و چگونگی تعامل با Elastic از طریق API آموزش داده می‌شود. در پایان، تمام تشخیص‌ها در GitHub میزبانی شده و از طریق اتوماسیون‌های GitHub Action با Elastic همزمان سازی می‌شوند. به عنوان بخش نهایی، چگونگی نوشتن اسکریپت برای جمع‌آوری معیارها و بصری‌سازی‌های مهم بررسی خواهد شد.

این دوره دانشجویان را از ابتدا تا انتهای چرخه عمر مهندسی تشخیص و پیاده‌سازی فنی معماری مهندسی تشخیص هدایت می‌کند.

اگرچه این دوره به عنوان سطح مقدماتی عرضه شده است، هرگونه دانش پیش‌نیاز به منحنی یادگیری کمک خواهد کرد. آشنایی با عملیات امنیتی، جستجوی لاگ‌ها، تحلیل امنیتی یا هر مهارت مرتبط دیگر مفید خواهد بود (اما در نهایت الزامی نیست).

بررسی بخش دوم

این بخش دوم از سری دو قسمتی مهندسی تشخیص است! این دوره برای شروع کار هر کسی که علاقه‌مند به تحلیل امنیتی، مهندسی تشخیص و معماری امنیت است، طراحی شده است.

بخش اول، بدنه اصلی دوره است که در آن موارد زیر بررسی می‌شود:

• تئوری مهندسی تشخیص
• راه‌اندازی آزمایشگاه
• کار با لاگ‌ کردن و SIEM
• اجرای سناریوهای حمله برای تولید لاگ ها و ایجاد هشدار
• یادگیری چگونگی استفاده از Atomic Red Team برای تست

بخش دوم به فلسفه‌های «تشخیص به عنوان کد» می‌پردازد که تمرکز زیادی بر Python و GitHub دارد (اما نگران نباشید! مدرس شما را گام‌به‌گام راهنمایی خواهد کرد).

در پایان این دوره دو بخشی، شما یک معماری کامل مهندسی تشخیص خواهید داشت. شما قادر خواهید بود:

• تست‌های تهاجمی اجرا کنید.
• لاگ‌ها را بررسی کنید.
• هشدار ایجاد کنید.
• هشدارها را با استفاده از یک قالب استاندارد ذخیره کنید.
• داده‌ قالب را از طریق کد اعتبارسنجی و اجبار کنید.
• هشدارها را به صورت برنامه‌نویسی‌شده به SIEM ارسال کنید.
• معیارهای دوره‌ای را بر اساس داده‌ تشخیص اجرا کنید.

کل دوره حدود 11 ساعت است، اما تکمیل کامل آن باید حدود 20 تا 40 ساعت زمان ببرد. تمام کدهای نوشته شده در GitHub دوره موجود است تا در صورت تمایل بتوان از بخش‌های سنگین Python عبور کرد.

پیش‌نیازها

توانایی اجرای 2 تا 3 ماشین مجازی (VM) روی یک سیستم محلی:

• Ubuntu Linux
• ParrotOS
• Windows 11

حداقل سیستم مورد نیاز

هسته‌های پردازنده (CPU): 4

رم (RAM): 8GB

فضای هارد دیسک: 50GB

سیستم پیشنهادی

هسته‌های پردازنده (CPU): +6

رم (RAM): +16GB

فضای هارد دیسک: +50GB

از نظر فنی می‌توان با سیستم میزبانی که تنها چند هسته و 8 گیگابایت رم دارد کار را پیش برد، اما هر منبع اضافی که بتوان به ماشین‌های مجازی اختصاص داد، فرآیند را روان‌تر خواهد کرد.

این دوره برای چه کسانی مناسب است؟

• تحلیلگران امنیت
• پاسخ‌دهندگان به حوادث
• مهندسان تشخیص
• دانشجویان رشته امنیت سایبری