Антенная компания запускает первую антенную систему Wi-Fi 6E MIMO

Нидерландская компания Antenna Company, специализирующаяся на разработке высокопроизводительных встроенных антенн, 12 ноября представила новую антенную систему Wi-Fi 6E MIMO, предназначенную для увеличения пропускной способности сети, расширения диапазона и уменьшения задержки в …

Пять преимуществ прозрачности конечных точек данных

По мере того, как команды по всему миру используют облачные архитектуры – заменяя каскадные выпуски на CI / CD, монолитные приложения с несколькими уровнями микросервисов и отдельные базы данных с сетками …

Три основных объявления партнерского саммита Cisco Systems

Виртуальные события продолжаются; На прошлой неделе прошла цифровая версия партнерского саммита Cisco. Хотя конференция ориентирована на огромную базу торговых посредников Cisco, всегда есть ряд новых продуктов и обновлений функций, которые интересны …

0 Comments


По мере того, как команды по всему миру используют облачные архитектуры – заменяя каскадные выпуски на CI / CD, монолитные приложения с несколькими уровнями микросервисов и отдельные базы данных с сетками данных – видимость в реальном времени на этих уровнях и их схемах взаимодействия становится критически важной для управления устранение неполадок и заверение.

Несмотря на то, что на рынке существует множество инструментов визуализации, они в основном работают на уровне приложений и инфраструктуры и не обеспечивают детальной видимости конечных точек данных (баз данных, конвейеров, хранилищ данных и т. Д.). Различные показатели производительности и использования конечных точек данных по-прежнему сложно отслеживать, что затрудняет ответы на общие вопросы, такие как:

  • На какие службы приходится львиная доля времени выполнения запросов?
  • Как со временем меняется количество запросов от каждой службы доступа и можем ли мы выявить узкие места?
  • Какие пользователи демонстрируют подозрительные шаблоны чтения данных?

Видимость конечных точек данных в реальном времени позволяет командам быстро определять, что происходит медленно, что неожиданно, а что не работает. В этом eWEEK В статье Data Points, использующей отраслевую информацию от Манава Митала, генерального директора Cyral, мы обсуждаем несколько примеров и преимуществ такой видимости.

Точка данных № 1: мониторинг производительности инструмента SaaS BI

Многие инструменты бизнес-аналитики, такие как Looker, обращаются к базе данных с помощью одного пользователя службы, который используется для запросов, поступающих от всех пользователей этого инструмента. Когда неверный запрос от какого-либо отдельного пользователя требует много времени для выполнения и влияет на другие рабочие нагрузки, выполняемые в конечной точке данных, это затрудняет присвоение запросов лицам, ответственным за их выполнение.

Улучшение видимости конечных точек данных с помощью детальной информации о конечных пользователях позволяет отслеживать длительные запросы и отслеживать их до конкретных лиц для своевременного оповещения и быстрого исправления.

Точка данных № 2: мониторинг использования кредитов DBaaS

Современные DBaaS, такие как Snowflake и BigQuery, взимают с клиентов плату в зависимости от использования, на которое напрямую влияет совокупное время выполнения, потраченное пользователями службы. Возможность отслеживать время выполнения на ежедневной / еженедельной основе для лиц с высоким кумулятивным использованием и детализировать причины их высокого использования позволяет администраторам учетных записей и счетов легко прогнозировать затраты на обслуживание и принимать меры по исправлению, чтобы снизить затраты.

Точка данных № 3: диагностика проблем с пропускной способностью ETL

На пропускную способность и производительность задания ETL (извлечение, преобразование, загрузка) влияет ряд факторов, таких как размер пула соединений, размер пакета приема и частота фиксации. Конечным точкам данных обычно не хватает необходимой информации, чтобы рассуждать о плохо выполняющейся работе ETL, поскольку они не отслеживают эти показатели.

Улучшение видимости конечных точек данных с помощью таких детализированных метрик, как эти, позволяет командам DevOps и SRE (разработка надежности сайта) легко отслеживать свои задания ETL и диагностировать проблемы из-за непреднамеренных изменений, влияющих на их производительность.

Точка данных № 4: обнаружение утечки данных

Тонкая эксфильтрация включает сложные механизмы для эксфильтрации данных с конечной точки. Цель злоумышленника – оставаться «вне поля зрения» инструментов мониторинга сети и безопасности, применяя медленный и медленный подход к кражи.

Все атаки тонкой эксфильтрации основаны на так называемых точечных запросах (выборка небольшого набора определенных строк), запросах диапазона (выборка небольшого диапазона строк) и запросах смещения (выборка небольшого набора строк каждый раз с разным смещением).

Метрики отслеживания, такие как скорость запросов и количество записей данных, прочитанных с течением времени и корреляция с другими данными в этот период времени, добавляют дополнительную видимость, упрощая обнаружение, когда злоумышленник или инсайдер активно участвует в краже конфиденциальных данных.

Точка данных № 5: обнаружение аномального поведения при обслуживании

Кражу и злоупотребление учетными данными, предназначенными для приложений, таких как задания ETL, часто трудно обнаружить, потому что конечные точки данных не имеют средств, чтобы отличить обычные приложения от мошеннического приложения. Возможность обнаруживать изменения в поведении, например, когда предполагаемое задание ETL завершает запись в конечную точку данных, откуда оно обычно считывается, позволяет DevOps и группам безопасности определять, были ли скомпрометированы учетные данные конечных точек данных.

Если у вас есть предложение по статье о точках данных eWEEK, напишите по электронной почте [email protected].

Author

bodronik@meta.ua

Leave a Reply

Your email address will not be published. Required fields are marked *