Anomalieerkennung
Ungewöhnliche Aktivitäten identifizieren, die auf ein Sicherheitsereignis hindeuten können.
Anomalieerkennung wird durch die NIST CSF 2.0 Outcomes DE.AE-02 (Potentially adverse events are analyzed to better understand associated activities); DE.AE-04 (The estimated impact and scope of adverse events are understood); DE.CM-09 (Computing hardware and software, runtime environments, and their data are monitored to find potentially adverse events) definiert. Crosswalk Über einen veröffentlichten Crosswalk zugeordnet in ISO 27001, CIS v8.1, CMMC, 800-53 und NIS2. Redaktionell Redaktionell zugeordnet in SOC 2, PCI DSS, Essential Eight und DORA. In HIPAA nur lose verwandt. Keine Zuordnung in unseren Daten Keine Zuordnung in unseren Daten für GDPR, CPS 234 und Cyber Essentials.
| Framework | Anforderung | Titel | Verknüpfung | Quelle / Begründung |
|---|---|---|---|---|
| NIST CSF 2.0 | DE.AE-02DE.AE-04DE.CM-09 | Potentially adverse events are analyzed to better understand associated activities; The estimated impact and scope of adverse events are understood; Computing hardware and software, runtime environments, and their data are monitored to find potentially adverse events | Themendefinition | DE.AE-02 DE.AE-04 DE.CM-09 |
| ISO 27001 | A.8.16 | Monitoring activities | Crosswalk | A.8.16: via DE.CM-09; NIST 800-53 map: SI-4 |
| CIS v8.1 | CIS 8.11 | Conduct Audit Log Reviews | Crosswalk | CIS 8.11: via DE.AE-02 |
| SOC 2 | CC7.2 | Monitoring system components for anomalies | Redaktionell | CC7.2: AICPA's TSC mappings are not openly licensed; ControlMapping editorial mapping (criterion summaries are ours, not AICPA text). |
| PCI DSS | 10.4.1.1 | Automated mechanisms for log review | Redaktionell | 10.4.1.1: Automated mechanisms for audit log review; omitted from NIST's PCI references. |
| CMMC | SI.L2-3.14.7 | Identify Unauthorized Use | Crosswalk | SI.L2-3.14.7: via 800-171r3 03.14.06 ↔ DE.AE-02, DE.CM-09 → SI-4; 800-171r2 Appendix D → SI-4 |
| 800-53 | AU-6SI-4 | Audit Record Review, Analysis, and Reporting; System Monitoring | Crosswalk | AU-6: via DE.AE-02 SI-4: via DE.AE-02; DE.CM-09 |
| HIPAA | §164.308(a)(1)(ii)(D)§164.308(a)(5)(ii)(C)§164.308(a)(6)§164.308(a)(6)(ii)§164.308(a)(8)§164.312(b) | Diesem Thema nicht zugeordnet | Diese Anforderungen teilen nur die CSF-Ergebnisse dieses Themas (DE.AE-02, DE.AE-04, DE.CM-09) über veröffentlichte Crosswalks: prüfenswert, aber keine Zuordnung. | |
| GDPR | — | Keine Anforderung | Keine Zuordnung in unseren Daten | In unseren Daten ist keine GDPR-Anforderung diesem Thema zugeordnet. |
| NIS2 | 3.4 | Event assessment and classification | Crosswalk | 3.4: via DE.AE-04 |
| Essential Eight | ISM-1228 | Cyber security events are analysed in a timely manner to identify cyber security incidents | Redaktionell | ISM-1228: ASD assigns these ISM controls to the Essential Eight; ASD publishes no crosswalk to NIST or ISO, so linking them to topics is ControlMapping editorial. |
| DORA | Art.10(1) | Detection | Redaktionell | Art.10(1): Promptly detect anomalous activities, including ICT network performance issues. |
| CPS 234 | — | Keine Anforderung | Keine Zuordnung in unseren Daten | In unseren Daten ist keine CPS 234-Anforderung diesem Thema zugeordnet. |
| Cyber Essentials | — | Keine Anforderung | Keine Zuordnung in unseren Daten | In unseren Daten ist keine Cyber Essentials-Anforderung diesem Thema zugeordnet. |
Themendefinition CSF-2.0-Ergebnisse, die dieses Thema definieren · Crosswalk mindestens eine Auswahl, gestützt durch einen veröffentlichten Crosswalk · Redaktionell Einschätzung von ControlMapping mit Begründung · nicht zugeordnet, teilt nur die CSF-Ergebnisse dieses Themas · Keine Zuordnung in unseren Daten In unseren Daten nichts zugeordnet; oft neue Arbeit, aber prüfen Sie die Hinweise zur Abdeckung. Methodik.
Anforderungs-IDs und Titel werden so angezeigt, wie jedes Framework sie veröffentlicht, auf Englisch.
Falsche oder fehlende Zuordnung? Melden
Über Anomalieerkennung
Die Anomalieerkennung nutzt Basisprofile des normalen Verhaltens und Algorithmen des maschinellen Lernens, um Abweichungen von üblichen Mustern bei Benutzeraktivitäten, Netzwerkverkehr und Systemabläufen zu erkennen, die auf eine Kompromittierung oder Insider-Bedrohungen hindeuten können. Anders als signaturbasierte Erkennung kann die Anomalieerkennung auch neuartige Angriffe und Zero-Day-Exploits identifizieren, indem sie ungewöhnliche Datenübertragungen, untypische Anmeldezeiten, atypische Zugriffsmuster oder unerwartete Prozessausführungen markiert. Eine wirksame Umsetzung erfordert die Festlegung präziser Basislinien, die Feinabstimmung der Empfindlichkeitsschwellen, um Erkennungsrate und Menge falsch positiver Meldungen in Einklang zu bringen, sowie die Integration der Ergebnisse in den Workflow zur Vorfallsbewertung.