Keamanan siber
Bitspark / Insights
Membangun Program Keamanan Siber Bagian 7: Menyeimbangkan Pencatatan Keamanan dan Peringatan SIEM
Pemantauan keamanan yang efektif bergantung pada korelasi peristiwa yang relevan, bukan sekadar mengumpulkan semua log. Pelajari cara menyaring sinyal SIEM untuk fokus pada ancaman nyata.
Melampaui Kelelahan Akibat Log
Banyak tim keamanan kewalahan karena mengumpulkan terlalu banyak data tanpa strategi analisis yang jelas. Jika setiap entri log dianggap sama pentingnya, volume kebisingan (noise) yang dihasilkan akan menutupi ancaman yang sebenarnya. Pemantauan yang efektif memerlukan pergeseran model dari 'kumpulkan semua' menjadi 'kumpulkan untuk konteks', di mana log dikumpulkan berdasarkan pertanyaan keamanan spesifik yang ingin dijawab.
Ringkasan visual / 01
Prinsip Utama Strategi Log
- 01Prioritaskan log berdasarkan kekritisan aset
- 02Korelasikan peristiwa untuk konteks insiden
- 03Kurangi noise dengan menyaring log tidak esensial
Inti dari strategi pemantauan yang berkelanjutan adalah memahami bahwa sebuah peristiwa hanya menjadi insiden ketika aset informasi terdampak. Dengan memfokuskan pada hubungan antara aset dan kondisi peristiwa tertentu, tim dapat mengurangi volume data yang diproses, sehingga lebih mudah untuk mengidentifikasi aktivitas mencurigakan di dalam lingkungan yang kompleks.
Peran SIEM dalam Lingkungan Heterogen
Ekosistem IT modern terdiri dari perangkat keras, perangkat lunak, dan perangkat IoT yang beragam, masing-masing menghasilkan format data unik. Sistem Security Information and Event Management (SIEM) berfungsi sebagai lapisan integrasi untuk sumber-sumber yang heterogen ini. Kekuatan pendekatan ini adalah kemampuannya untuk memberikan pandangan menyeluruh tentang lingkungan, yang seringkali tidak mungkin dilakukan saat memantau silo individu.
Namun, mengintegrasikan terlalu banyak sumber yang berbeda dapat memicu tantangan 'Big Data', di mana SIEM menjadi kewalahan oleh volume dan variasi log yang masuk. Objektifnya adalah mencapai kesadaran situasional dengan mengorelasikan peristiwa di seluruh sumber, bukan sekadar melakukan sentralisasi log tanpa logika deteksi yang terdefinisi.
Meningkatkan Akurasi Sinyal dalam Deteksi Intrusi
Poin kegagalan umum dalam operasi keamanan adalah tingkat positif palsu (false positive) yang tinggi, yang menyebabkan kelelahan peringatan. Penelitian mengenai jaringan saraf tiruan menunjukkan bahwa teknik klasifikasi otomatis dapat membedakan lalu lintas yang aman dan berbahaya secara efektif, mencapai akurasi tinggi dalam lingkungan terkendali. Menerapkan teknik klasifikasi semacam ini dapat membantu menyaring lalu lintas rutin yang tidak mengancam.
Ringkasan visual / 03
Meningkatkan Presisi Peringatan
- 01Gunakan klasifikasi untuk analisis lalu lintas
- 02Kurangi kemunculan positif palsu
- 03Dukung keahlian manusia dengan otomatisasi
Pengambil keputusan harus memandang metode deteksi canggih ini sebagai cara untuk meningkatkan sistem yang ada, bukan sebagai pengganti total penilaian manusia. Dengan mengurangi tingkat kebisingan, analis dapat menghabiskan lebih banyak waktu untuk menyelidiki peringatan berfidilitas tinggi yang benar-benar mengancam kelangsungan bisnis, memastikan sumber daya ahli yang terbatas dikerahkan di tempat yang paling membutuhkan.
Prioritas Pemantauan Aset IoT dan Edge
Proliferasi perangkat IoT menciptakan permukaan serangan baru yang seringkali tidak memiliki mekanisme perlindungan tradisional. Karena perangkat ini sering menjadi target, menerapkan pemantauan berbasis peristiwa yang disesuaikan dengan kerentanan unik mereka menjadi sangat penting. Ini melibatkan identifikasi peristiwa keamanan spesifik yang menandakan serangan terhadap aset IoT, alih-alih menerapkan aturan pemantauan berbasis server yang bersifat umum.
Ketika peristiwa keamanan diinterpretasikan dengan benar dalam konteks IoT, tim dapat meluncurkan respons terarah yang mengurangi dampak sebelum insiden meningkat. Pendekatan proaktif ini jauh lebih efektif daripada mengandalkan pemantauan standar yang luas, yang mungkin tidak mengenali indikator halus dari intrusi khusus IoT.
Tata Kelola dan Peningkatan Berkelanjutan
Pencatatan keamanan (logging) bukanlah proses 'pasang dan lupakan'; ia memerlukan tata kelola konstan agar tetap efektif. Seiring perubahan infrastruktur—akibat migrasi cloud, penerapan aplikasi baru, atau pergeseran prioritas bisnis—logika pemantauan harus diperbarui. Konfigurasi statis akan dengan cepat menjadi usang dan gagal mendeteksi pola serangan modern.
Ringkasan visual / 05
Kerangka Kerja Tata Kelola
- 01Tinjau aturan deteksi secara rutin
- 02Beradaptasi terhadap perubahan infrastruktur
- 03Kelola relevansi ambang batas peringatan
Untuk menjaga relevansi, tim harus meninjau aturan deteksi dan ambang batas peringatan mereka secara rutin. Pendekatan berbasis pengukuran ini memastikan bahwa SIEM tetap selaras dengan risiko saat ini, mencegah akumulasi utang teknis berupa peringatan yang diabaikan atau tidak relevan yang memenuhi dasbor keamanan.
Langkah Praktis Berikutnya untuk Tim Keamanan
Bagi tim yang ingin meningkatkan postur pemantauan mereka, langkah pertama adalah melakukan audit terhadap sumber log saat ini untuk menentukan mana yang memberikan nilai bisnis nyata dan mana yang hanya berkontribusi pada kebisingan. Menghapus umpan data yang berlebihan adalah cara instan untuk meningkatkan kinerja SIEM dan kualitas peringatan Anda.
Setelah itu, dokumentasikan insiden spesifik yang ingin Anda deteksi. Mulailah dengan mendefinisikan 'apa' dan 'mengapa' untuk setiap peringatan, alih-alih memulai dengan volume log. Dengan membangun strategi deteksi Anda di sekitar risiko yang diketahui—seperti yang tercantum dalam katalog Known Exploited Vulnerabilities dari CISA—Anda memastikan bahwa investasi keamanan Anda difokuskan pada perlindungan yang terukur dan praktis.
Sumber yang digunakan
- NIST — Cybersecurity Framework 2.0
- OWASP — Web Security Testing Guide
- CISA — Known Exploited Vulnerabilities Catalog
- Riset akses terbuka · Shielding IoT against Cyber‐Attacks: An Event‐Based Approach Using SIEM (2018) - Daniel Díaz López, María Blanco Uribe, Claudia Santiago Cely, Andrés Vega Torres, Nicolás Moreno Guataquira Wireless Communications and Mobile Computing · 2018 · OpenAlex
- Riset akses terbuka · Intrusion detection and Big Heterogeneous Data: a Survey (2015) - Richard Zuech, Taghi M. Khoshgoftaar, Randall Wald Journal Of Big Data · 2015 · OpenAlex
- Riset akses terbuka · Intelligent intrusion detection systems using artificial neural networks (2018) - Alex Shenfield, David J. Day, Aladdin Ayesh ICT Express · 2018 · OpenAlex
