AI в SOC

О курсе

AI уже работает в SOC — а ты? ChatGPT для анализа логов, автоматический triage алертов, AI-детекция аномалий и UEBA. 12 уроков, которые превратят тебя из обычного аналитика в AI-powered защитника, обрабатывающего инциденты в 10 раз быстрее!

Чему ты научишься

• ✓использовать LLM для анализа логов и написания детекций
• ✓автоматизировать triage алертов с помощью AI-пайплайнов
• ✓снижать alert fatigue через AI-классификацию инцидентов
• ✓обнаруживать аномалии в сетевом трафике с помощью ML
• ✓применять UEBA для поведенческого анализа пользователей
• ✓понимать ограничения AI в SOC и adversarial ML угрозы

Что нужно знать

• •опыт работы в SOC или понимание процессов мониторинга безопасности
• •базовое знание SIEM-систем (Splunk, ELK, QRadar)
• •понимание типичных алертов и процесса triage
• •опыт использования ChatGPT или Claude

Программа

1. M1

   AI-инструменты для аналитика

   4 карт

   Знакомство с AI-арсеналом современного SOC-аналитика — от Copilot for Security до LLM для анализа логов и автоматической генерации правил детекции

   • 1.
     Обзор AI-инструментов в кибербезопасностиКарта AI-инструментов для SOC-аналитика — от коммерческих платформ до open-source библиотек
   • 2.
     Copilot for Security и аналогиПрактическое сравнение Microsoft Copilot for Security, Google SecOps AI и open-source альтернатив для SOC
   • 3.
     Использование LLM для анализа логовПрактические техники анализа Windows Event Logs, Syslog и firewall-логов через LLM API с примерами промптов
   • 4.
     AI-ассистенты для написания детекцийГенерация Sigma, YARA и KQL detection rules с помощью LLM — от описания угрозы до production-ready правила
2. M2

   Автоматизация triage

   4 карт

   Прощай, alert fatigue! AI берёт на себя рутину — приоритизация алертов, классификация инцидентов и умное обогащение через AI-пайплайны

   • 1.
     Приоритизация алертов с помощью MLПостроение ML-модели для автоматического scoring алертов SOC — от feature engineering до deployment
   • 2.
     Автоматическая классификация инцидентовПостроение multi-class классификатора для автоматической категоризации SOC-инцидентов по типу и severity
   • 3.
     Обогащение алертов через AI-пайплайныПостроение автоматического пайплайна обогащения SOC-алертов через TI API, LLM и ML-модели
   • 4.
     Снижение alert fatigue с помощью AIСтратегии борьбы с перегрузкой алертами через ML-дедупликацию, кластеризацию и умную супрессию
3. M3

   AI-powered детекция

   4 карт

   AI на страже сети — обнаружение аномалий, поведенческий анализ UEBA, AI-driven threat hunting и честный разговор о том, где AI пока бессилен

   • 1.
     Обнаружение аномалий в сетевом трафикеПрименение Isolation Forest, Autoencoder и statistical methods для обнаружения аномалий в NetFlow и packet data
   • 2.
     Поведенческий анализ пользователей UEBAПостроение UEBA-системы для обнаружения аномального поведения пользователей через ML-профилирование
   • 3.
     AI для threat hunting и поиска угрозПрименение LLM и ML для генерации гипотез, автоматизации threat hunting workflows и обнаружения скрытых угроз
   • 4.
     Ограничения AI в SOC и adversarial MLКритический анализ уязвимостей AI-систем в SOC — adversarial attacks, data poisoning, model evasion и стратегии защиты