大家好，前兩天我們聊了 SIEM 怎麼偵測警報、SOAR 怎麼自動執行劇本。這些都屬於「被動防禦」——等警報響了我們才去處理。

但如果遇上頂尖的 APT（進階持續性威脅）駭客呢？
他們通常非常安靜。他們會用合法的員工帳號，像螞蟻搬家一樣，每天只偷偷下載幾百 KB 的機密資料。
這種行為根本不會觸發任何死板的警報規則。統計顯示，這類隱形駭客可以在企業網路裡潛伏平均 197 天都不被發現。

這 197 天，在資安上就叫做駭客的**「停留時間（Dwell Time）」**。

這時候，我們就不能再傻傻地等警報了。
我們必須轉向威脅獵捕（Threat Hunting）：主動假設駭客已經進來了，並利用 AI 當我們的「獵犬」，在機房裡主動去搜捕他們，把這該死的「停留時間（Dwell Time）」給狠狠砍下來。

今天，我們就來聊聊這個主動出擊的資安技術，以及在 SecAI+ 考試裡一定要掌握的核心名詞。

一、 獵犬的嗅覺：UEBA Risk-Based Alerting (RBA)

UEBA（使用者與實體行為分析）最厲害的實務應用，就是 RBA（風險評分機制）。

傳統的 SIEM 只要規則被觸發，就會直接發出警報，這很容易洗版。
而 UEBA 則是像「記過機制」，它不直接發警報，而是幫每個人、每台伺服器累積「風險分數」。它會盯著使用者行為的三大黃金探針：時間（Time）、地理位置（Location）與資料傳輸量（Volume）：

1. Alice 凌晨三點登入（偏離正常時間線）：AI 不警報，只是在 Alice 的帳號記上「風險分數：+10 分」。
2. Alice 從未見過的美國 IP 登入（偏離正常地理位置）：AI 不警報，風險分數再加「+25 分」。
3. Alice 開始存取敏感的人資資料庫並下載了 200MB 的資料（偏離正常資料量）：風險分數再加「+45 分」。

總分累積到了 80 分，觸發了「高風險使用者」的警報，並把這三個行為串成一個完整的時間軸，呈報給分析師。

這種用風險評分（RBA）來代替單一警報的做法，能讓分析師一眼看清整件事情的來龍去脈，不再被零碎的小警報給淹沒。

💡 自學筆記：調 Threshold 的痛苦與 RBA Tuning
像我們搞維運和系統整合多年的人，一看到這種「風險分數累積到 80 分就發警報」的機制，直覺就告訴我這後面一定有坑。
這跟以前調 CPU 或是記憶體警報（比如 80% 報警、85% 報警）一模一樣，這個門檻值（Threshold）超級難抓！
門檻調太低（例如 50 分就報警），工程師半夜加班就會被當成駭客，誤報海嘯天天吵死你；門檻調太高（例如 98 分才報警），人都走光了、資料都漏光了，警報還不響。
所以，實務上安全團隊需要不斷進行警報微調（Alarm Tuning）。現在好一點的 SIEM 會利用 AI 根據歷史數據自動動態調整這個 Threshold，算是一大救星。

二、 威脅獵捕（Threat Hunting）的三大驅動方式

資安獵人在進行搜捕時，主要有三種找線索的策略，這在 SecAI+ 考綱中是必記的分類：

1. 假設驅動（Hypothesis-Driven）

獵人先提出一個合理的假設：「如果攻擊者想偷走我們的客戶資料，他會怎麼做？」
然後主動利用 AI 在大數據日誌裡，去搜尋符合這個假設的蛛絲馬跡。

• 範例：假設駭客會用 Windows 管理規範（WMI）技術來讓木馬在系統重開機時自動執行，那我們就主動去檢查每台主機的註冊表和 WMI 行為日誌。

2. 威脅情報驅動（IoC-Driven）

根據外界剛公布的最新威脅情報（例如：駭客剛用過的新病毒 Hash 值、新的 C2 伺服器 IP 等失陷指標 Indicator of Compromise, IoC），在我們過去幾個月的歷史日誌裡進行「回溯搜索（Retroactive Search）」，看看我們在不知不覺中，是不是早就踩到地雷了。

3. 機器學習異常驅動（ML-Driven）

讓 AI 演算法（通常是無監督學習中的離群值檢測，如 Isolation Forest）自動去對海量日誌進行統計分析，找出那些「長得最奇怪、比例最低」的離群行為（Anomaly），直接把可疑名單列出來給獵人去查。

三、 資安字典的標準語言：MITRE ATT&CK 與 ATLAS 框架

AI 和威脅獵人在抓駭客時，有一個共通的語言：

1. 針對傳統 IT 攻擊：MITRE ATT&CK 框架

這是一個將真實世界駭客所使用的戰術（Tactics）和技術（Techniques）進行系統化整理的超大知識庫。
AI 在獵捕和防守時，會跟這個框架做深度整合：

• 自動對應：當 AI 發現一個異常指令，它會自動在日誌中標記說：「這對應了 ATT&CK 技術編號 T1078（有效帳號濫用）。」
• 預測下一步：駭客現在用了 T1078 進行初始入侵，AI 會根據 ATT&CK 框架的攻擊序列提醒你：「注意，他的下一步很可能會是 T1021（遠端服務橫向移動），建議優先去封鎖 RDP 埠口！」

2. 針對 AI/ML 模型的專屬攻擊：MITRE ATLAS 框架

當我讀到這一段時，我心中突然冒出一個疑問：「等等，那我們在 Domain 2 學過的那些針對 AI 模型的專屬攻擊（比如資料投毒、模型反轉、提示詞注入、越獄），MITRE ATT&CK 要怎麼標記？」

這就是 SecAI+ 考題最愛設陷阱的地方！
MITRE 為此開發了另一個專門針對 AI/ML 系統的姊妹篇框架 —— MITRE ATLAS（Adversarial Threat Landscape for Artificial-Intelligence Systems）！

• 它是專門用來標記、分類和防禦**針對機器學習模型專屬對抗性攻擊（Adversarial ML Attacks）**的技術知識庫。
• 備考心法：考試題目裡只要問到「用來對應和標記針對機器學習/LLM 系統攻擊鏈的標準框架」，答案 100% 要選 MITRE ATLAS。選到傳統的 ATT&CK 就會直接落入陷阱喔！

🔑 模擬題解析

Q: 一個資安團隊希望針對其部署的機器學習（ML）影像辨識系統發動的資料投毒（Data Poisoning）與對抗性樣本（Adversarial Examples）攻擊進行技術分類與防禦對應。請問安全團隊應該採用下列哪項框架最為適合？

A. MITRE ATT&CK
B. MITRE ATLAS
C. OWASP Top 10
D. NIST Cybersecurity Framework (CSF)

【正確答案】B

【我的學習筆記與解析】

• 抓解題關鍵字：機器學習（ML）系統、資料投毒與對抗性樣本攻擊、技術分類框架。
• 選項 A MITRE ATT&CK 是用來記錄「傳統 IT 系統與網路」攻擊的，雖然有名，但沒辦法精準標記針對 ML 模型底層（如梯度干擾、資料投毒）的專屬攻擊技術。
• 選項 C OWASP Top 10 是 Web 應用程式的安全漏洞清單（雖然有出 LLM 版本，但它不是專門的「攻防技術對應框架」）。
• 選項 D NIST CSF 是企業資安治理的高階架構（IPDRR 流程），與具體的 ML 對抗技術對應無關。
• 只有 B. MITRE ATLAS，是 MITRE 專門為機器學習系統量身打造的對抗性威脅技術框架，完美涵蓋了資料投毒與對抗樣本，所以無腦選 B 就對了！

🎯 今日學習筆記重點

• 停留時間（Dwell Time）：駭客潛伏在系統內未被發現的時間。威脅獵捕的終極目標就是主動出擊，縮短 Dwell Time。
• UEBA RBA（風險評分）：盯著時間（Time）、**地點（Location）與資料量（Volume）**三大黃金探針，用累積風險分數代替單一警報，但實務上需要不斷進行 Tuning（警報微調） 避免誤殺。
• 獵捕三驅動：假設驅動（主動設想情境）、IoC 驅動（對比最新地雷、進行回溯搜索）、ML 異常驅動（讓 AI 抓出長得最奇怪的離群值）。
• MITRE 攻防地圖雙雄：
  • 防傳統攻擊 ➔ MITRE ATT&CK
  • 防 ML/LLM 專屬攻擊（投毒、注入、越獄、反轉等） ➔ MITRE ATLAS。

明天我們要離開 Domain 3，正式進入 Domain 4：AI 治理、風險與合規（GRC）。
這塊佔了考試 19% 的分數。明天我們先來看看全球最嚴格、也是罰款最重的 歐盟 AI 法案（EU AI Act） 的核心分級制度！

我們明天見啦！