Wazuh的告警系統實作 - ElastAlert 的 Slack 警報觸發 教學
參考連結
ElastAlert - Writing Filters For Rules
寫了蠻多範例撰寫Rule
elastAlert-Writing Filter
前言
根據前一篇的內容,我們接下來打算做的事情如下
[x] 了解 elastAlert 的 Rule types 撰寫方式
[x] 成功觸發 slack ,並發送訊息
關於 Filters
參考:https://elastalert2.readthedocs.io/en/latest/recipes/writing_filters.html
Filters 是什麼?
可以想像是 elasticsearch 的查詢條件,如果滿足的話,就觸發 rule 並執行告警動作。
在建立 rule 時可以設定 filters,filters 是作為 elasticsearch query DSL(Domain Specific Language) 的部分,DSL 提供基於 json 來定義查詢,
DSL 大概就長這樣(可以透過點擊Filter/Edit Filter/Edit as Query DSL來查看)
測試 ...
Wazuh的告警系統實作 - ElastAlert Docker 安裝 elastAlert
參考的網站
elastic相關yml設定挺詳細,裡面有談到如何啟用watcher的設定
elasticAlert:https://github.com/Yelp/elastalert.git
Slack webhook
前言
因為計畫需求,我們本有做一套基於風險的存取控制模型,但是該模型要滿足一個要求,需要能夠監控裝置,當裝置發現異常時,要能夠告警並通知一個貼標籤的服務,那存取控制模型就可以基於標籤和存取策略,適當的拒絕不滿足存取策略的請求。
本文章的前提
對wazuh已經有一定的了解
並且已經安裝好wazuh, elasticSearch的工具,安裝可以參考:Wazuh, elastic, kibana 的無腦串接與安裝教學
因此本篇文章的目的如下:
[ ] 了解wazuh這套工具是如何做告警?
[ ] 如果wazuh告警,發送請求該怎麼做?
關於可以作為告警的工具
我想要的功能是:如果滿足特定規則 (e.g. level5以上的alert) 可以做到發送 mail 和 call api
目前我找到的工具:
工具1 Watcher : elasticsearch 本身 ...
Wazuh, elastic, kibana 的無腦串接與安裝教學
參考連結
參考wauzh官方安裝教學: https://documentation.wazuh.com/current/deployment-options/elastic-stack/all-in-one-deployment/index.html#installing-elasticsearch
參考filebeat安裝: https://www.elastic.co/guide/en/beats/filebeat/7.17/setup-repositories.html
前言
請注意,我的安裝教學不是用正式環境,因為certs都是使用相同的,僅供教學快速安裝使用。
注意:目前教學內所使用的wazuh-manager版本是4.4.4,所以如果你的wazuh-manager是其他版本像是4.5,請務必修改以下所有含有4.4的script內容為4.5
12345# 原本為4.4 curl -so /etc/elasticsearch/elasticsearch.yml https://packages.wazuh.com/4.4/tpl/elastic-basic/elast ...
簡單介紹Istio
What is Istio?
1. Is a service mesh, implement network mechanism
service mesh 基本上是透過在 Pod 上面做 Sidecar
把網路相關的工作剝離出來,讓工程師可以專注在開發上
而網路的控管像是 Gatewway,經過 pod 的 request 都是經由 Sidecar 轉發給 pod。
2. Integrate with many observability tools
不只可以做網路,還可以整合各種第三方的觀察工具
(e.g. Prometheus, Kiali, Grafana, etc.)。
3. Handle microservice challenges
在 microservice 架構下當 service/pod 一多,要去管控各個 service 間的網路連線是非常頭痛的
但是透過Istio可以負責解決網路的事情,並由control plane統一管理和設定。
可以從上方看到,每個Pod裡面有兩個container,一個是Service另一個是Proxy,而Istio主 ...
一次搞懂Java中的equals()和hashCode()
前言
如果你想要自定義物件判斷是否相等的邏輯,就改equals吧!
如果你想要修改HashMap或是HashSet中,不重複物件的邏輯,那就修改hashCode吧!
在物件導向的世界裡面,勢必逃不了自己建立的物件(你可能把某些功能包起來,放在某個class裡面)又或是想要建立一個Employee.class這樣的類別,方便你建立員工的資料存入資料庫中。
而這些xxxx.class都其實繼承Object,可以說是Object是所有Java類別的超類(Abstract Class),而我會想寫這篇的原因是因為,剛好碰到需要自定義HashSet的需求,修改放入Set的自定義物件時,判斷物件是否相等的邏輯。
什麼意思呢?簡單來說,在程式語言中,我希望不要採用Object本身的hashCode和equals方法,我希望只要某些屬性的值一樣,我就視這個物件已經存在於Set裡面。而不是比較記憶體中的位置、所有屬性的value都要一樣等,我希望自定義物件相等的邏輯判斷。
如果你好奇…
我複寫equals的方法為什麼還要管hashCode?
equals跟hashCode的關係是什麼?
那你可以參 ...
德國簽證教學, 可能碰到的問題, 要準備什麼文件?
背景
簽證地點
德國簽證文件準備
Q: 留學生需要準備什麼資料和文件?
Q: 親自前往申請時要注意什麼?
Q: 簽證中關於保險需要注意什麼?
Q: 關於簽證後居住的注意事項?
Q: 可持學生簽證於求學期間工作?
實際前往狀況
當天有哪些烏龍
參考資源
背景
為什麼申請簽證?
因為台科大資管系剛好2023/3月與德國HKAs談雙聯。申請上後,2023/9準備前往德國雙聯,大約為期一年的時間,因此需要申請大概為期一年的簽證,然後在這邊做記錄說申請簽證的整個準備過程和心得。
簽證地點
💡 請注意以下資訊:
德國在台協會辦公時間、電話、地址及交通指南
住址:11049臺北市信義路五段7號33樓 (33F, No. 7, Xinyi Rd., Sec.5, Taipei 11049)
時間:需提前30分鐘到101(算上迷路時間)
要帶錢:約3000台幣(當時付了$2450 NTD)
提前時間:三個月
德國簽證文件準備
Q: 留學生需要準備什麼資料和文件?
切記注意:不要把以下文件訂起來,但是如果有把順序排好的話,作業流程會快很多。
順序大概是:申請表格 > 護 ...
我的第一篇blog - Hexo架設的樣式設計 - 基於Butterfly
前言
這是我在建立過程中,設置的一些小細節,如果我的文章有幫助到你的話,希望可以在下面留言:D
給我一個“讚”~
修改 home aside 樣式
整體寬度
前往themes/butterfly/source/css/_layout/aside.styl 找到 card-widget 的樣式,然後修改成以下樣式。
1234567.card-widget @extend .cardHover position: relative overflow: hidden margin-top: 20px margin-left: 15px # 添加這個 padding: 20px 24px
tag
前往themes/butterfly/source/css/_layout/aside.styl找到 card-tag-cloud 的樣式,然後修改成以下樣式。
123456789101112131415161718192021222324252627282930.card-tag-cloud a display: inline-block; margin: 0.2rem ...
資料分析概念大全 - TF, IDF, TF-IDF, Text Classification 樣樣來
一句話解釋TF-IDF『用來從一段文字/一個語料庫中,給越重要的字詞/文檔,越高的加權分數』
TF-IDF
你看,TF - IDF ,前面的TF是Term Frequency的縮寫,後面的IDF是Inverse Document Frequency的縮寫,合在一起則說明了它如何計算出誰是相對比較重要的字詞。
TF-IDF 有點像是互相牽制的感覺,前面的TF是Term Frequency的縮寫,後面的IDF是Inverse Document Frequency的縮寫。
綜合兩個公式值相乘,便得到我們今天介紹的TF-IDF值
字詞的重要性隨著 在文本出現的頻率越高則越高(TF);在不同文本檔案間出現的次數越高則反而降低(DF)。
更白話一點:一個單字在一篇文章中出現的次數越多,那麼這個單字就越重要,但是如果這個單字在其他文章中也出現很多次,那麼這個單字就越不重要。
Term Frequency (tf)
上圖取自:【資料分析概念大全|認識文本分析】對文本重點字詞加權的TF-IDF方法
我們先把拆解出來的每個詞在各檔案出現的次數,一一列出,組成矩陣。
nt,d{n_{t,d} ...