A MetaDefender Cloud
MetaDefender CloudOPSWATfelhőalapú, fejlett fenyegetésmegelőző és rosszindulatú szoftverelemző platformja. A Deep CDR™ technológia és Multiscanning több mint 20 legjobb víruskereső motor Multiscanning egyedülálló kombinációja védi a szervezeteket zero-day és az egyre kifinomultabb rosszindulatú szoftverektől. sandbox MetaDefender Cloud sandbox , OPSWATvilágszínvonalú fenyegetés-információs adatbázisát felhasználó valós idejű hash-, IP- és domain-elemzéssel sandbox segíti a rosszindulatú programok kutatóit, és mélyreható betekintést nyújt a meglévő és potenciális fenyegetésekbe.
A MetaDefender Cloud platform jelenleg több mint 5 millió vizsgálati kérést támogat naponta ügyfeleinktől, miközben az átlagos vizsgálati idő 0,4 másodperc.
Miért fejlesztettük ki a MetaDefender mint szolgáltatást (MDaaS)?
A piaci igényeknek való megfelelés és ügyfeleink jobb támogatása érdekében
Biztosítani akartuk, hogy a MetaDefender Cloud képes legyen a változó követelményeknek és a fejlett alkalmazásbiztonsági szolgáltatások iránti növekvő igénynek megfelelni, valamint a DevOps Security növekvő komplexitásának, ahogy egyre több alkalmazás költözik a felhőbe. A fájlforgalom növekedésével szükségszerű volt, hogy a MetaDefender Cloud fenntartsa és javítsa teljesítményét, hogy zökkenőmentes felhasználói élményt biztosítson végfelhasználóink számára.
A nyomon követés és a prediktív méretezés javítása
Úgy döntöttünk, hogy a helyhez kötött architektúránkat áttelepítjük a mikroszolgáltatásokon alapuló felhő-natív Kubernetesre, infrastruktúra mint kóddal, hogy a jelenlegi telepítési és felügyeleti modellhez képest zökkenőmentes és konzisztens élményt tudjunk nyújtani.
MetaDefender Szolgáltatásként architektúra
Az MDaaS-re való áttérés során a Multiscanning szolgáltatásainkat a Windows-alapú AMI oldalról egy Kubernetes-alapú fürtre helyeztük át. A rendszergazdák most már motoronként konfigurálhatják a skálázhatóságot. Mivel a motorok teljesítménye eltérő, a lassabb motor(ok) felskálázható(ak) a gyors keresési idők fenntartása érdekében.
A fájlfeldolgozás folyamata most a következő:
1. A külső kérelmezőtől érkező üzenetet egy „request” nevű Kafka-témába (1) továbbítják, amely tartalmazza a kéréssel kapcsolatos utasításokat, például a fájl AV1, AV2 stb. segítségével történő vizsgálatát, a Deep CDR™ technológiával történő tisztítását, valamint a fájl elemzését Sandboxstb.
2. Ezt követően egy Lambda-kivonó (2) – amely feliratkozott az üzenetek fogadására – felosztja a kérést több különböző parancsra, és továbbítja azokat egy másik Kafka-témakörbe (3), ahol azokat osztályozzák, majd a megfelelő motor(ok)hoz rendelik. (4)
3. A feldolgozó motor (4) a rendszer központi eleme. Több motor-konténert tartalmaz, az Amazon Elastic Kubernetes Service (EKS) környezetben fut, és a terhelés függvényében képes bővülni vagy zsugorodni. Minden motor egy-egy konkrét kérést dolgoz fel, ami növeli a feldolgozási teljesítményt.
4. A folyamat során egy S3-tárolót (5) is használnak a bemeneti és kimeneti fájlok tárolására.
5. Ezzel egyidejűleg egy rendelkezésre álló naplófeldolgozó modul (6) átveszi a naplóadatokat a motoroktól, és továbbítja azokat egy naplóelemző rendszernek.
6. A fájl feldolgozása után az egyes motorokból származó eredményeket visszaküldik a „results” nevű Kafka-témába (7)
7. Ezt követően egy AWS Lambda-t használó mikroszolgáltatás-összesítő (8) egyetlen jelentésbe foglalja az eredményeket, majd elküldi azokat egy Kafka-témakörbe (9), ahonnan azok visszakerülnek a kérőhöz.
Technikai kihívások és megoldások
A motor viselkedésének előrejelzése és a rendellenességek kezelése
A hagyományos MD Core AMI telepítés lehetővé teszi, hogy a motorok egy nagy teljesítményű számítógépen fussanak, ahol megoszthatják egymással az erőforrásokat (CPU, RAM, lemez, hálózat stb.). A mikroszolgáltatási architektúra esetén azonban minden motor külön-külön működik egy kisebb teljesítményű konténerben. Így ebben az esetben nehéz volt meghatározni a rendszer erőforrásigényét.
Ennek a problémának a megoldására a régi rendszer korábbi adatait használtuk fel, hogy minden motor számára beállítsunk egy alapszintet, és hozzáadtuk a Datadog-figyelést. Folyamatosan figyelemmel kísértük a motorok viselkedését, és addig finomhangoltuk az infrastruktúrát, amíg a termék el nem érte a kiváló teljesítményt.
A teljesítmény és a tárhelyköltségek közötti egyensúly fenntartása
Az új architektúrával a MetaDefender Cloud könnyen skálázható, hogy alkalmazkodjon ügyfeleink korlátlan igényeihez és optimális szinten teljesítsen. Ez azonban azt is jelentette, hogy a karbantartási költségek arányosan megugorhattak. A kiadások ellenőrzése vagy irányítási modellek nélkül a skálázás ellenőrizhetetlen lehetett, ami a felhőszolgáltatás számláinak növekedéséhez vezetett, messze túl az eredetileg elkülönített költségvetésen.
Ezért gyakori építészeti felülvizsgálatokat végeztek az érdekelt felekkel, hogy biztosítsák a stabil és kiegyensúlyozott költségekkel kapcsolatos következetes tapasztalatokat.
Környezeti szimuláció
A termelési terhelés szimulálása egy nem termelési környezetbe valós adatok nélkül kihívást jelent. Ennek kezelésére párhuzamos munkafolyamatokat állítottunk be, hogy a valós adatok mind a régi, mind az új architektúrán áthaladjanak, lehetővé téve, hogy egymás mellett értékeljük a két architektúra kulcsfontosságú mutatóit. Ez az összehasonlítás lehetővé tette számunkra, hogy gyorsan és hatékonyan azonosítsuk azokat a területeket, ahol az új architektúra jobb volt a réginél, valamint azokat, ahol az új architektúrán javítani kellett.
Monitoring, jelentéstétel és ellenőrzés
Valós idejű felhőinfrastruktúra-felügyelet
MetaDefender Cloud nagy hangsúlyt fektet arra, hogy rendszereibe robusztus felügyeletet építsen be, hogy világos képet adjon a rendszer állapotáról. Egy olyan szolgáltatás esetében, mint az MDaaS, amely - több mint 44 kérést kezel másodpercenként (RPS) 0,6%-os hibaarány mellett, számos upstream rendszerre és partner ökoszisztémára támaszkodik, mint forgalmi forrásra, és egyidejűleg nagy forgalmat generál különböző belső és külső downstream rendszerek számára, fontos, hogy a metrikák, riasztások és naplózás erős kombinációja álljon rendelkezésre.
Figyelmeztetések a magas abnormális forgalmú környezetekre a Datadog-ban
A szabványos rendszerállapot-mérőszámok, mint például a CPU, a memória és a teljesítmény mellett számos "szolgáltatási perem" mérőszámot is hozzáadtunk, mint például a sorban állás növekedése, a szolgáltatás válaszideje, a státusz-torta és a naplózás, hogy a feljebb vagy lejjebb lévő rendszerekből származó bármilyen eltérést rögzítsünk. Továbbá trendelemzéssel egészítettük ki a fontos mérőszámokat, hogy segítsük a hosszabb távú romlások felismerését. Az MDaaS-t a Datadog nevű valós idejű stream-feldolgozó alkalmazással instrumentáltuk ( itt tudhat meg többet róla). Ez lehetővé tette számunkra az események valós idejű nyomon követését a vezetéken keresztül, konténerspecifikus granularitással, ami megkönnyítette a hibakeresést. Végül hasznosnak találtuk a szolgáltatásspecifikus riasztásokat, hogy gyorsabban azonosítani tudjuk a problémák kiváltó okait.
Események létrehozása a Datadogban a webhely megbízhatósági mérnökök figyelmét igénylő kivételekkel kapcsolatban
A Datadog platformmal történő SaaS felügyelet lehetővé teszi a csapatok számára, hogy gyorsabban és könnyebben beinduljanak, és nincs szükség folyamatos eszközkarbantartásra, kapacitásskálázásra, frissítésre vagy menedzsmentre. Ezek az előnyök azt jelentik, hogy a csapatoknak több idejük marad az alaptermékkel való foglalkozásra, és nem kell saját maguknak létrehozniuk egy felügyeleti megoldást.
Eredmények
• Az MDaaS-ra való áttérésnek köszönhetően a motor mikroszolgáltatás rugalmasabbá vált, így jobban hozzájárul a FedRAMP „mérsékelt” szintű alapvető biztonsági ellenőrzési követelményeinek teljesítéséhez.
• Az alkalmazás teljesítményének figyelemmel kísérése mostantól valós idejű riasztásokkal és irányítópultokkal bővült. Az új mikroszolgáltatás-architektúra lehetővé teszi a rendszergazdák számára, hogy az alkalmazást és annak minden egyes összetevőjét egyszerűen és hatékonyan figyeljék. Ezenkívül megkönnyíti a telepítést és a méretezhetőséget is.
• Mivel az infrastruktúrát kódként definiálják, ez lehetővé teszi a felhasználók számára a konfigurációk egyszerű szerkesztését és terjesztését, miközben biztosítja az infrastruktúra kívánt állapotát. Ez azt jelenti, hogy reprodukálható infrastruktúra-konfigurációkat hozhat létre.
Tudjon meg többet a MetaDefender Cloud vagy lépjen kapcsolatba velünk további információkért.
