Normales von annormalem Nutzungsverhalten zu unterscheiden, ist heutzutage die große Kunst im Umfeld der Security Analytics. Nur die Anwender, die genau wissen, was in ihren Netzen vor sich geht, können verdächtige Aktivitäten schnell aufspüren und gezielt bekämpfen. Überdies erlaubt es die wachsende Menge an Sicherheitsinformationen, potenzielle Bedrohungen, die ein Netz noch gar nicht erreicht haben, zu identifizieren und proaktiv abzuwehren. Die Herausforderung ist die Verwaltung dieser Daten an zentraler Stelle - denn nur wenn die linke Hand weiß, wo der rechten eine Gefahr bevorsteht, ist eine wirksame IT-Sicherheitsstrategie möglich.
RSA setzt mit Silver Tail dort an, wo die Auswertung von Logfiles aufhört, und bietet eine intelligente Benutzeroberfläche, die die zahlreichen Daten und Security-Streams zusammenführt. Unternehmen erhalten einen tieferen Einblick in die Vorgänge auf ihrer Website, auch wenn Millionen von Web Sessions gleichzeitig aktiv sind. Zusätzlich wartet Silver Tail 4.0 mit Streaming Analytics und Gefahrenbewertung per Mausklick auf. Anwender können so zahlreichen Gefahren vorbeugen: Dazu gehören insbesondere Online-Betrug und die missbräuliche Nutzung der Website durch Dritte - inklusive Account-Übernahmen, Knacken von Passwörtern, Distributed-Denial-of-Service (DDoS) Attacken, Kopieren (Site Scraping) und Missbrauch von Geschäftsprozessen, wie sie zum Beispiel bei Shoppingkarten oder Online-Rabattsystemen zum Einsatz kommen.
Die Features von RSA Silver Tail im Überlick:
-
Streaming Analytics - Gefahrenbewertung per Mausklick: Hierzu analysiert das Tool auffälliges Nutzerverhalten und ermöglicht so die schnelle Entdeckung und Bekämpfung von Gefahren aus dem Web. Streaming Analytics verfügen über unternehmenseigene Technologien zur In-Memory-Analyse und können so auch die neueste Generation von komplexen Website-Angriffen frühzeitig erkennen.
-
Funktionen zur Aufdeckung von Sicherheitszwischenfällen: schnellere und einfachere Entdeckung von Gefahren und zusätzliche Hilfen, um rasch eine genaue Analyse der Gründe für den Zwischenfall liefern zu können.
-
Intelligente Benutzeroberfläche: Sie bietet interaktive Funktionen, mit denen sich die Erkennung und Bekämpfung von Bedrohungen vereinfachen und priorisieren lassen. Hierbei helfen priorisierte Listen von verdächtigen IP-Adressen, Usern, Webseiten und Daten aus Web Sessions.
- In sieben Schritten zum Big-Data-Erfolg
Teil- oder unstrukturierte Daten in großer Menge erfolgreich analysieren können - das ist das Ziel von Big-Data-Projekten. Aber welcher Weg führt dorhin? - 1. Die jeweiligen Ziele definieren
Die Anzahl der möglichen Big-Data-Analysen ist Legion. Im ersten Schritt muss also geklärt werden: Was möchten Sie erreichen? Was bringt Ihnen die Auswertung? Möchten Sie mehr Kunden ansprechen, Ihren Umsatz steigern oder neue Geschäftsfelder erschließen? Und welche Ziele sind überhaupt erreichbar? - 2. Die Datenquellen identifizieren
Dann müssen die verfügbaren Datenquellen analysiert werden: Welche sind wichtig? Wie und in welcher Form lässt sich auf die benötigten Daten zugreifen? Meist ist es sinnvoll, sich zunächst auf ausgewählte Quellen zu konzentrieren. Hier schon sind Datenschutzaspekte zu berücksichtigen. Manche Daten dürfen gar nicht oder nur unter bestimmten Voraussetzungen gespeichert und analysiert werden. - 3. Mit IT- und anderen Bereichen vernetzen
Die IT sollte frühzeitig eingebunden werden. Um maximalen Nutzen aus den Auswertungen zu ziehen, sind auch andere Fachbereiche zu involvieren. Und spätestens in dieser Phase sollte das Management einbezogen werden, das breite Unterstützung garantiert. - 4. Performance und Verfügbarkeit klären
Die Erwartungen bezüglich Performance und Verfügbarkeit müssen so früh wie möglich dingfest gemacht werden. Dabei spielen Themen wie Analyse-Latenzzeit, Auswertungen in Echtzeit und In-Memory-Technik eine wichtige Rolle. - 5. Die Ergebnisse in Prozesse einbinden
Erfolgreiche Big-Data-Analytics-Projekte binden die Analysen und deren Ergebnisse in die Geschäftsprozesse ein. Nur so führen die gewonnenen Erkenntnisse zu einer Verbesserung. - 6. Big Data in Analysestrukturen einfügen
Big-Data-Analytics ersetzen nicht zwingend vorhandene Analysen, beispielsweise Data Warehouses. Oft sind sie vielmehr eine Ergänzung. Folglich sollten sie in vorhandene BI-Architekturen oder -Landschaften integriert werden. - 7. Komplexität und Dynamik abschätzen
Welche Daten mit welchem Volumen kurz- und mittelfristig verfügbar sein werden, ist im Vorfeld schwer abschätzbar. Deshalb gilt es, die Einbindung neuer Datenquellen oder zusätzlicher Analysen einzukalkulieren, um einen nachhaltigen Erfolg des Projekts zu gewährleisten.