Voici une annonce qui mérite l’attention des observateurs du secteur.
Workflow de mise en œuvre de PyGraphistry pour les pipelines interactifs d’analyse de graphes dans le domaine de l’analyse de sécurité et des enquêtes sur les risques
Dans ce tutoriel, nous mettons en place un workflow avancé, compatible avec Colab, basé sur PyGraphistry, pour l’analyse et la visualisation interactives de graphes. Nous commençons par créer un ensemble de données réaliste sur les accès de type entreprise, que nous transformons en nœuds et en arêtes, puis nous enrichissons le graphe à l’aide de scores de risque, d’indicateurs d’anomalies, de mesures de centralité, de détection de communautés et d’incorporations de disposition. Nous utilisons ensuite PyGraphistry pour associer la structure du graphe, les représentations visuelles, les étiquettes, les infobulles et les sous-graphes filtrés, de ce fait que pour générer des visualisations interactives locales lorsque les identifiants Graphistry ne sont pas configurés. Grâce à cette mise en œuvre, nous voyons comment l’intelligence des graphes nous aide à enquêter sur les utilisateurs suspects, les appareils à risque, les relations entre adresses IP, les services sensibles et les comportements à haut risque, dans un contexte concret d’analyse de sécurité.
D’un autre côté, ⭐⭐⭐⭐⭐N’hésitez pas à nous ajouter à vos favoris sur GitHub pour ne pas manquer nos futurs carnets de code et nos implémentations
Nous avons mis en place l’environnement Colab complet en installant PyGraphistry et toutes les bibliothèques associées nécessaires à l’analyse de graphes, à la visualisation et à l’apprentissage automatique. Nous avons configuré le répertoire de sortie, la graine aléatoire et les identifiants Graphistry afin que le notebook fonctionne aussi bien en local qu’avec Graphistry Hub. Nous définissons également une fonction d’aide réutilisable pour la dénomination des nœuds, afin de garantir une séparation claire entre chaque type d’entité dans le graphe.
À noter également, nous générons un ensemble de données synthétiques réaliste sur les accès d’entreprise, comprenant des utilisateurs, des appareils, des adresses IP, des services, des rôles et des emplacements géographiques. Nous simulons des comportements normaux et suspects en ajoutant des utilisateurs finaux compromis, des appareils à risque, des adresses IP à risque, des activités en dehors des heures de travail, des déplacements impossibles et des accès à des services sensibles. Nous convertissons ces événements en un DataFrame structuré qui sert de base à notre enquête de sécurité fondée sur un graphe.
Nous transformons les enregistrements bruts d’événements en relations de graphe en créant des arêtes entre les usagers, les appareils, les adresses IP, les services, les rôles et les zones géographiques. Nous regroupons les interactions répétées en arêtes pondérées comprenant des scores de risque, des comptages, des échecs, des horodatages et des résumés d’activité. Nous créons également le tableau des nœuds et calculons des statistiques de base au niveau des nœuds à partir de toutes les interactions entre entités.
Nous construisons un graphe NetworkX à partir des nœuds et des arêtes générés, puis nous effectuons des analyses avancées de ce graphe. Nous calculons le degré pondéré, le PageRank, la centralité d’intermédiarité, les communautés, les fourchettes de risque, les scores d’anomalie et les représentations de disposition basées sur l’apprentissage automatique. Nous examinons ensuite les résumés du graphe, les principaux nœuds anormaux, les relations à risque et les distributions de risque à l’aide de tableaux et de graphiques.
Une affaire qui méritera assurément d’être suivie de près.
Pour aller plus loin :
Tel que rapporté par MarkTechPost : MarkTechPost