AI 助力： XVR 從日常行為掌握到 異常威脅精準判斷

啄木科技的 Woodpecker XVR 透過結合端點偵測與回應（Endpoint Detect and Respond, EDR）、網路偵測與回應（Network Detect and Respond, NDR）、以及系統日誌（Syslog）資料，實現了一套全方位的拓展偵測與應變（Extended Detection and Respond, XDR）解決方案。

XVR 不僅收集並整合了多種大量的日誌數據，形成一個強大的安全資訊和事件管理（Security Information and Event Management, SIEM）系統，還能整合最先進的資安情資，確保任何潛在威脅都能被即時偵測。此外，XVR 借助 AI 技術來進行行為偵測與風險評估，成為資安管理人員強大的偵測和應對工具。

資安管理日常的一大挑戰是如何處理海量而複雜的日誌數據。管理人員經常難以快速分辨正常與異常活動，尤其在面對不熟悉的攻擊或偵察行為時，往往無法即時應對。XVR 的 AI 助力能夠學習系統中的日常行為模式，幫助識別異常。例如，某 A 位置持續傳輸特定數量的數據至某 B 位置，這樣的傳輸行為在過去或許難以察覺是否存在風險。如今，透過 XVR 的 AI 模型，系統能夠自動學習並記錄此固定傳輸量的基準，一旦有異常流量，立即觸發警報，為管理人員提供精準的異常提示。

另一個場景是內部電腦使用的頻繁性和登入行為的多樣性。通常，一台設備固定由特定使用者登入，管理人員得以預期該設備會由相同使用者登入，但當有不常見的帳號嘗試登入時，XVR 即能識別該異常行為。在部門共用電腦的情況下，XVR 的 AI 也會根據過去的登入行為進行比對，迅速辨識合法與異常的登入行為。

XVR 還能學習每位使用者的常用登入 時間，從而更細緻地掌握登入異常。例如，對於平常朝九晚五的使用者，若在深夜突然登入，系統即能偵測異常。對於不同的登入行為，XVR 還會持續偵測登入後的操作行為是否異常，並透過多層次的關聯模型，動態調整偵測的精準度。

XVR 利用 AI 持續收集並分析日誌數據，從而動態建立「正常」行為的模型，並且透過不斷更新的學習模型，即時判斷 最新數據的安全性。透過多層次關聯模型再進一步篩選無用警報，從而降低誤報和噪音。在每分每秒的關鍵時刻，XVR 平台幫助管理人員迅速整合威脅資訊，即時阻斷威脅來源，全面提升企業的安全防護能力。