先讲两个有趣的故事：

故事1：某电商平台发现遭遇拒绝服务攻击(DDoS)，没过几天就有人上门推销“防御”设备。由于时间间隔短，再加上“防御”的设备很针对，推销者的动机显然非常可疑，该电商平台据此认为推销者很可能就是嫌疑人。

故事2：某抢票网站被“脱库”，该网站通过样板对比，最终确定攻击者是利用现有的“第三方社工库”进行“撞库攻击”。

在这两起被侦破的案件中，前者是根据犯罪动机来判断的，后者则分析了犯罪者的攻击方法，而除此之外，网络警察还可以通过攻击路径溯源，分析并直接定位攻击者。那么，是不是“抓鬼”的招数仅此而已呢，对那些找不到“作案动机”，或是长期潜伏在企业的“内鬼”就没有办法了吗?非也，更高级、更先进的还有UEBA(用户与实体行为分析)。

什么是UEBA?

它的前身是用户行为分析(UBA)，最早用于购物网站上，通过收集用户搜索关键字，实现用户标签画像，并预测用户购买习惯，推送用户感兴趣的商品。而这项技术很快就被移植到网络安全领域。

2014年，Gartner发布了用户行为分析(UBA)市场定义，UBA技术目标市场聚焦在安全(窃取数据)和诈骗(利用窃取来的信息)上，帮助组织检测内部威胁、有针对的攻击和金融诈骗。但随着数据窃取事件越来越多，Gartner认为有必要把这部分从诈骗检测技术中剥离出来，于是在2015年正式更名为用户实体行为分析(UEBA)。

在安全领域，UBA/UEBA关注的是人而不是物。它通过机器学习来发现高级威胁，实现了自动化的建模，相比于传统的(安全管理中心)SOC/(安全信息与事件管理)SIEM，其在发现异常用户行为、用户异常行为等方面具备了非常高的“命中率”。

听起来很复杂，但要理解UEBA也很简单，因为它聚焦于两点：特权账号盗用(异常用户)，合法的人做不合法的事(用户异常)。

安全事件与“狼来了”的故事

在很多企业中部署的SOC/SIEM，会把安全信息、认证事件、反病毒事件、审计事件、入侵事件聚合到数据库中，在一个地方集中进行重要的安全分析、报告输出和告警输出，以便安全人员快速响应。

SOC/SIEM系统会给管理者推送高等级的安全事件并告警，但这些告警类似狼来了的故事，不仅次数非常多而且很多都不是真正的威胁。比如主机重启、交换机重启等等，这些都可能让安全人员误认为发生了安全事件。但在折腾之后却发现，狼没来!

为了解决每次都要上山打狼的麻烦，不关心各种海量告警，不聚焦某条高级事件，UBA加入到SOC/SIEM领域一定是历史的必然选择。

UBA/UEBA关注的是人而不是物，所以当发生重启行为时，首先要做的是判断重启的用户是谁?这个用户在过去的一年内，每个月在固定时间有过重启设备的行为吗?如果都有，那么就不必对着山下大喊“狼来了”! 因此，安全事件的误报率大幅降低，安全运营人员可以把更多的精力去关心有效的安全事件。

关注人而不是物的这种方法看似极端，但却可以帮助解决企业面对的一些最为棘手的问题。就比如：确定有效特权账户是否被盗用;使内部威胁浮出水面;确定系统或应用是否被攻破。而这些危险组合在一起，UBA/UEBA就可以斩钉截铁的告诉安全人员，数据泄露攻击正在发生。

最佳拍档：安全态势感知

惊险刺激的好莱坞特工电影，主角往往都会拥有较为出色的特工搭档或团队为其增光添彩。接下来就让我们了解一下UEBA的最佳拍档：“安全态势感知”。

其实安全态势感知在很多年前就有了，但真正将它市场化、规模化和战略化的却是“习大大”。总书记在“419”讲话中强调：“要树立正确的网络安全观，加快构建关键信息基础设施安全保障体系，全天候全方位感知网络安全态势，增强网络安全防御能力和威慑能力”。

安全态势感知一词迅速燃爆安全圈，那么安全态势感知又是什么，它和SOC/SIEM有何区别，和UBA/UEBA结合起来又能干什么呢?

安全行业中一些观点认为，安全态势感知就是通过大数据分析技术、威胁情报来发现外部攻击、安全威胁，更透彻、更全面的感知企业网络安全态势。安全态势感知具备了多项先进技术，包括易采集、大数据建模、威胁情报、智能协同等，使它优于SOC/SIEM。

目前，多个厂家已发布安全态势感知产品，其往往具备可视化的大屏，攻击可视化、安全资产状态可视化等等。但这个“可视化”的概念却被扭曲了，好像除了向上级汇报或接受领导参观之外，就没有什么其它作用了。

“内外双修“的新一代UBA

被称作“NU-SSA”的亚信安全新一代UBA安全态势感知平台的功夫“内外双修”。它通过使用大数据技术、人物画像、上下文感知、威胁情报、专业运营服务实现内部威胁发现的高命中率，并智能协同安全防护设备进行实时控制，自学习的人物安全基线驱动弹性授权，实现自动化、智能化的事后、事中、事前管控。

UBA侧重于内部威胁的发现，安全态势感知侧重于智能协同，两者有效衔接，目标为内部威胁的有效识别、实时控制，找出公司内部窃取机密信息的“内鬼”。此类安全事件适应于两种特征，一是异常用户(账号盗用)，二是用户异常(合法的人做不合法的事，或做合法的事获取不正当的利益)。

NU-SSA的技术先进性可以从以下7个方面加以印证：

1.易采集

传统的SOC/SIEM的采集，需要各种日志规格化入库，如果有些设备的事件等级定义的不清晰，SOC/SIEM就根本“读不懂”这些高等级的安全日志。而NU-SSA关注的是用户视角，除了采集传统上的日志，还增加了门禁(二代身份证刷卡记录)、VPN用户日志、4A/堡垒、HR日志(入职、离职、岗位变动)、OA(账号)日志、工单日志、威胁情报等日志。

2.大数据分析

基于开源Hadoop架构，包括采集、处理、存储、分析和展现等相关功能，大致可分为采集层、大数据层以及分析层，架构如下：

在支持预定义场景分析的前提下，NU-SSA还支持“机器学习”，这个逆天的设计让它既可对用户行为分析建模，也可根据分析结果丰富知识库和场景库，发现个例背后的规律，从而对分析规则的制定及修正，以及安全事件的发现和预测起指导作用。

3.上下文感知context-aware

上下文感知的定义较为深奥，涉及到普适计算的概念还有上下文建模、推理方法。为了帮助理解，我们举例来说。比如：当智能手机通过位置、周边声音、邮件中的会议提醒等信息判断用户正在会议室时，会自动设置为震动模式，此时非重要的电话可选择自动语音留言或拒绝接听。当上下感知应用在NU-SSA时，系统能够判断出用户在访问核心数据时是否在正常，这是基于历史基线建模分析得出。

4.威胁情报

和传统情报相比，网络威胁情报是可以付诸行动的，情报又分为战略、战术和运营情报，并交付给特定类型情报的团队。国际大型公司有情报分析师，国内的威胁情报一般是指漏洞库(已公开的CVE/ CNNVD漏洞、0day漏洞)、恶意URL、恶意域名、恶意样本库以及IP信誉库。

NU-SSA对上述的威胁情报基本都用不上，主要是发现内部人员的违规识别，从5W1H(WHEN-时间、WHERE-地点、WHO-人物、WHAT-对象、HOW动作、WHY-凭据)维度来记录日志的信息。也就是说，NU-SSA默默的做着大规模排查分析的工作，最终呈现出来的是重要的“嫌犯”和“犯罪事实”，以及两者之间的联系。

5.人物画像

Alan Cooper(交互设计之父)对用户画像的定义是真实用户的虚拟代表，建立在一系列真实用户数据之上的目标用户模型，通俗来讲就是为所有用户“打标签”。在NU-SSA中，通过同类用户横比和历史基线环比的方法来发现异常用户，打上异常标签，而这些标签可能就意味着某些人有了“犯罪前科”。

6.智能协同

NU-SSA和传统的SOC/SSIM的区别，就是SOC/SSIM最多实现安全分析的告警，NU-SSA可以智能协同安全防护设备，可并根据标签的权重分值来自动化调度，如发现非常用地点登陆，可调度金库系统，实现双人认证，发现疑似盗取客户资料，实时抓屏录像，强制切断连接。

7.弹性授权

一般情况下，用户的权限都在增加，很少看到降权的情况，这才是人之常情。比如你有一个门禁卡，以前你在办公室工作，可以刷开所有电梯的楼层，后来你调动到其他科室，你会申请降低门禁的权限吗?而弹性授权的模式，通过NU-SSA的自学习安全基线，知晓用户访问资源信息，并进行自动绑定，用户访问不常访问的资源(角色权限内)NU-SSA可触发金库认证。

NU-SSA让阴谋论破产，内鬼纷纷浮出水面

上面是NU-SSA的七大先进技术特征，它通过大数据技术实现基于内部威胁情报的人员画像标签化，实现异常用户和用户异常的准确识别，构建自动化的安全防护设备协同，弹性授权模式把内部风险降到最低。

现今各种DDOS攻击、APT攻击、物联网IOT攻击层出不穷，我们不断夯实安全防护堡垒，加强内部系统健壮性，力求抵御黑客一波又一波的进攻。但安全最薄弱的环节是人，攻破堡垒的往往都是“自己人”，从希拉里·克林顿、斯诺登、“闺蜜门”，到SWIFT、台湾泰国的ATM机，都是“自己人”在捣乱。所以说，企业最好能够通过UBA/UEBA，安全态势感知等方式将内鬼清查干净，否则后患无穷。