آخرین اخبار
همهٔ اخبار
گزارش‌ها و تحلیل‌ها گزارش بحرانیت ۳/۱۰

چالش‌های پیش روی Threat Hunting: داده‌ها جایگزین کمبود مهارت شدند

چالش‌های پیش روی Threat Hunting: داده‌ها جایگزین کمبود مهارت شدند

بر اساس جدیدترین نظرسنجی موسسه SANS، برای اولین بار در پنج سال گذشته، مدیریت داده‌ها به جای کمبود مهارت، به بزرگ‌ترین مانع در مسیر شکار تهدیدات (Threat Hunting) تبدیل شده است.

داده‌ها: مانعی بزرگ‌تر از مهارت

در این پژوهش که با مشارکت ۵۰۰ متخصص و مدیر امنیت در آمریکای شمالی، اروپا، آمریکای لاتین و آسیا انجام شده، ۵۰٪ از پاسخ‌دهندگان کیفیت یا کمیت داده‌ها را به عنوان اصلی‌ترین چالش خود معرفی کردند. این رقم در سال گذشته ۴۱٪ و در سال ۲۰۲۳ معادل ۳۴٪ بود.

در گزارش SANS آمده است که حجم بالای داده‌های ورودی به برنامه‌های شکار تهدید، به دلیل عقب ماندن استانداردهای نرمال‌سازی (Normalization) نسبت به فرآیند جمع‌آوری، خود به یک مشکل تبدیل شده است.

کاهش اثر کمبود نیروی متخصص

کمبود کارکنان ماهر با ۴۵٪ در رتبه دوم قرار گرفت که نسبت به سال گذشته (۶۱٪) کاهش چشم‌گیری داشته است. با این حال، گزارش اشاره می‌کند که کمبود مهارت همچنان باعث کاهش تعداد عملیات شکار و اتکا به نیروهای موجود به جای متخصصان مناسب برای تدوین فرضیه (Hypothesis) می‌شود.

افت متدولوژی‌های رسمی

یکی از نکات قابل توجه، کاهش استفاده از متدولوژی‌های تعریف‌شده برای Threat Hunting از ۵۱٪ در سال ۲۰۲۴ به ۳۷٪ در سال جاری است. در مقابل، رویکردهای موردی (Ad hoc) با ۳۹٪ افزایش یافته‌اند. SANS تأکید می‌کند که فقدان یک رویکرد رسمی، تکرارپذیری و دفاع‌پذیری برنامه‌های شکار را با چالش مواجه می‌کند.

سایر موانع و تهدیدات رایج

  • محدودیت‌های بودجه (۴۲٪)
  • فقدان استانداردهای داده (۳۹٪)
  • محدودیت‌های ابزاری (۳۷٪)
  • نبود فرآیندهای تعریف‌شده (۳۶٪)

از نظر نوع تهدیدات شناسایی شده، باج‌افزار (Ransomware) با ۵۵٪ در صدر قرار دارد و پس از آن به ترتیب: سازش ایمیل‌های تجاری (BEC) با ۴۳٪، عوامل تهدید دولتی (Nation States) با ۲۶٪ و تهدیدات داخلی (Insiders) با ۲۶٪ قرار دارند. همچنین تکنیک‌های Living-off-the-land رایج‌ترین متدهای شناسایی شده هستند.

نگاه به آینده و هوش مصنوعی

جالب است که تمایل به استفاده از AI و Machine Learning در تیم‌های شکار تهدید کاهش یافته است. تنها ۳۹٪ از شرکت‌کنندگان، ادغام AI/ML را جزو اولویت‌های بهبود خود دانسته‌اند (در مقابل ۴۸٪ سال گذشته). این روند نشان‌دهنده گذار از مرحله «آرزو» به مرحله دشوار «پیاده‌سازی عملی» است.