Splunk SPL による検出ルールの構築

Splunk SPL による検出ルールの構築 は何をしますか？

概要

Splunk Search Processing Language (SPL) は、Splunk Enterprise Security で疑わしいイベントやパターンを検出するための相関検索を構築するための主要なクエリ言語です。適切に設計された検出ルールは、セキュリティイベントを集約、相関、強化し、SOC アナリストが対応可能な Notable Event を生成します。エンタープライズ SIEM は平均で MITRE ATT&CK テクニックのわずか 21% しかカバーしておらず、熟練した SPL ルールの作成が検出のギャップを埋めるために不可欠です。

使用すべき場面

• 環境に Splunk SPL による検出ルール構築機能を導入または構成する場合
• コンプライアンス要件に合わせたセキュリティ制御を確立する場合
• このドメインのセキュリティアーキテクチャを構築または改善する場合
• この実装を必要とするセキュリティ評価を実施する場合

前提条件

• Splunk Enterprise Security (ES) がデプロイされ設定されていること
• 適切なロールを持つ Splunk 検索 & レポートアプリへのアクセス権があること
• Common Information Model (CIM) データモデルを理解していること
• MITRE ATT&CK フレームワークのテクニックに精通していること
• 組織のログソースとデータフローについての知識があること

SPL 検出ルールの主要パターン

1. 閾値ベースの検出

特定の時間枠内で定義された数を超えるイベントを検出します。

index=wineventlog sourcetype=WinEventLog:Security EventCode=4625
| stats count as failed_logins dc(TargetUserName) as unique_users by src_ip
| where failed_logins > 10 AND unique_users > 3
| eval severity="high"
| eval description="Brute force attack detected from ".src_ip." with ".failed_logins." failed logins across ".unique_users." accounts"

2. シーケンスベースの検出（失敗ログインの後の成功ログイン）

ブルートフォース攻撃の成功を示す一連のイベントを相関付けます。

index=wineventlog sourcetype=WinEventLog:Security (EventCode=4625 OR EventCode=4624)
| eval login_status=case(EventCode=4625, "failure", EventCode=4624, "success")
| stats count(eval(login_status="failure")) as failures count(eval(login_status="success")) as successes latest(_time) as last_event by src_ip, TargetUserName
| where failures > 5 AND successes > 0
| eval description="Account ".TargetUserName." compromised via brute force from ".src_ip
| eval urgency="critical"

3. ベースライン比較による異常検知

現在のアクティビティを基準期間と比較し、スパイクを検出します。

index=proxy sourcetype=squid
| bin _time span=1h
| stats count as current_count by src_ip, _time
| join src_ip type=left [
    search index=proxy sourcetype=squid earliest=-7d@d latest=-1d@d
    | stats avg(count) as avg_count stdev(count) as stdev_count by src_ip
]
| eval threshold=avg_count + (3 * stdev_count)
| where current_count > threshold
| eval deviation=round((current_count - avg_count) / stdev_count, 2)
| eval description="Anomalous web traffic from ".src_ip." - ".deviation." standard deviations above baseline"

4. 横断的移動検出

Windows ログオンイベントを使用して潜在的な横断的移動を特定します。

index=wineventlog sourcetype=WinEventLog:Security EventCode=4624 Logon_Type=3
| where NOT match(TargetUserName, ".*\$$")
| stats dc(dest) as unique_hosts values(dest) as hosts by src_ip, TargetUserName
| where unique_hosts > 5
| eval severity=case(unique_hosts > 20, "critical", unique_hosts > 10, "high", true(), "medium")
| eval description=TargetUserName." accessed ".unique_hosts." unique hosts from ".src_ip." via network logon"

5. データ流出検出

大規模なアウトバウンドデータ転送を監視します。

index=firewall sourcetype=pan:traffic action=allowed direction=outbound
| stats sum(bytes_out) as total_bytes_out dc(dest_ip) as unique_destinations by src_ip, user
| eval total_mb=round(total_bytes_out/1048576, 2)
| where total_mb > 500 OR unique_destinations > 50
| lookup asset_lookup ip as src_ip OUTPUT asset_category, asset_owner
| eval severity=case(total_mb > 2000, "critical", total_mb > 1000, "high", true(), "medium")
| eval description=user." transferred ".total_mb."MB to ".unique_destinations." unique destinations"

6. PowerShell の不審な実行検出

エンコードまたは難読化された PowerShell コマンドを検出します。

index=wineventlog sourcetype=WinEventLog:Security EventCode=4104
| where match(ScriptBlockText, "(?i)(encodedcommand|invoke-expression|iex|downloadstring|frombase64string|net\.webclient|invoke-webrequest|bitstransfer|invoke-mimikatz|invoke-shellcode)")
| eval decoded_length=len(ScriptBlockText)
| stats count values(ScriptBlockText) as commands by Computer, UserName
| where count > 0
| eval severity="high"
| eval mitre_technique="T1059.001"
| eval description="Suspicious PowerShell execution on ".Computer." by ".UserName

Splunk ES での相関検索の構築

ステップバイステップの手順

1. ユースケースの定義: MITRE ATT&CK テクニックにマッピングし、検出する動作を定義する
2. データソースの特定: 関連するイベントを含むインデックスとソースタイプを特定する
3. ベース検索の作成: 関連するイベントを抽出する SPL を構築する
4. 集計の追加: stats、eventstats、または streamstats を使用して要約する
5. 閾値の適用: 正常と異常を区別する条件を where 句で設定する
6. コンテキストの強化: アセット情報、ID データ、脅威インテリジェンスのルックアップを追加する
7. Notable Event の構成: 重要度、緊急度、説明フィールドを設定する
8. スケジュールとテスト: 履歴データに対して実行し、検出精度を検証する

相関検索設定テンプレート

| tstats summariesonly=true count from datamodel=Authentication
    where Authentication.action=failure
    by Authentication.src, Authentication.user, _time span=5m
| rename "Authentication.*" as *
| stats count as total_failures dc(user) as unique_users values(user) as targeted_users by src
| where total_failures > 20 AND unique_users > 5
| lookup dnslookup clientip as src OUTPUT clienthost as src_dns
| lookup asset_lookup ip as src OUTPUT priority as asset_priority, category as asset_category
| eval urgency=case(asset_priority=="critical", "critical", asset_priority=="high", "high", true(), "medium")
| eval rule_name="Brute Force Against Multiple Accounts"
| eval rule_description="Multiple authentication failures from ".src." targeting ".unique_users." unique accounts"
| eval mitre_attack="T1110.001 - Password Guessing"

強化のベストプラクティス

| lookup identity_lookup identity as user OUTPUT department, manager, risk_score as user_risk
| lookup asset_lookup ip as src_ip OUTPUT asset_name, asset_category, asset_priority, asset_owner
| lookup threatintel_lookup ip as src_ip OUTPUT threat_type, threat_confidence, threat_source
| eval context=case(
    isnotnull(threat_type), "Known threat: ".threat_type,
    user_risk > 80, "High-risk user: risk score ".user_risk,
    asset_priority=="critical", "Critical asset: ".asset_name,
    true(), "Standard context"
)

パフォーマンス最適化

データモデルと tstats の使用

| tstats summariesonly=true count from datamodel=Network_Traffic
    where All_Traffic.action=allowed
    by All_Traffic.src_ip, All_Traffic.dest_ip, All_Traffic.dest_port, _time span=1h
| rename "All_Traffic.*" as *

時間範囲の制限とインデックス化されたフィールドの使用

index=wineventlog source="WinEventLog:Security" EventCode=4688
    earliest=-15m latest=now()
| where NOT match(New_Process_Name, "(?i)(svchost|csrss|lsass|services)")

履歴ベースラインのためのサマリーインデックスの使用

| tstats count from datamodel=Authentication where Authentication.action=failure by Authentication.src, _time span=1h
| collect index=summary source="auth_failure_baseline" marker="report_name=auth_failure_hourly"

テストと検証

既知の攻撃パターンに対するテスト

| makeresults count=1
| eval src_ip="10.0.0.50", failed_logins=25, unique_users=8, severity="high"
| eval description="Test brute force detection"
| append [
    search index=wineventlog sourcetype=WinEventLog:Security EventCode=4625
    earliest=-24h latest=now()
    | stats count as failed_logins dc(TargetUserName) as unique_users by src_ip
    | where failed_logins > 10 AND unique_users > 3
    | eval severity="high"
]

検出メトリクスの計算

index=notable
| search rule_name="Brute Force*"
| stats count as total_alerts count(eval(status_label="Closed - True Positive")) as true_positives count(eval(status_label="Closed - False Positive")) as false_positives by rule_name
| eval precision=round(true_positives / (true_positives + false_positives) * 100, 2)
| eval fpr=round(false_positives / total_alerts * 100, 2)

MITRE ATT&CK マッピング

テクニック ID	テクニック名	SPL 検出アプローチ
T1110.001	パスワード推測	src_ip 単位の EventCode 4625 の閾値
T1059.001	PowerShell	EventCode 4104 ScriptBlockText のパターンマッチ
T1021.002	SMB/Windows管理共有	ログオンタイプ 3 と dc(dest) 閾値
T1048	C2 経由の流出	時間枠での bytes_out 集計
T1053.005	スケジュールタスク	不審なコマンドパターンを含む EventCode 4698
T1003.001	LSASS メモリ	Sysmon EventCode 10 による lsass.exe へのプロセスアクセス

参考資料

• Splunk ES Correlation Searches Best Practices
• Writing Practical Splunk Detection Rules
• Configure Correlation Searches - Splunk Documentation
• SOC Prime - Correlation Events in Splunk