一家数字安全软件公司与UnderDefense合作，将其安全系统从传统的QRadar迁移到Elastic Security，成功减少了85%的安全事件，响应时间缩短了61%。迁移过程中进行了全面的日志审计和定制检测规则的建立，提升了安全监控的效率和合规性，使安全团队能够主动进行威胁狩猎。

M-26-14备忘录为美国联邦机构的网络安全日志管理设定了新标准，强调基于风险和结果的框架。机构需在90天内制定日志计划，确保日志可搜索和共享。新政策简化了日志存储要求，允许去中心化存储，并要求与CISA和FBI共享日志。此外，M-26-14引入了新的成熟度模型，强调持续事件监控和威胁狩猎的重要性，推动机构提升安全能力以应对现代威胁。

在人工智能时代，保护关键基础设施至关重要。随着基础设施互联性增强，网络攻击频率和复杂性上升，传统安全措施面临挑战。组织需建立稳固的数据基础，确保敏感信息安全，采用零信任架构和主动威胁狩猎策略，以应对现代威胁。利用AI驱动的安全工具提升检测和响应能力，确保关键服务的连续性和可靠性。

公共部门面临复杂网络威胁，38%的机构认为网络韧性不足。Elastic Security提供AI驱动的威胁狩猎工具，帮助机构主动检测和快速调查威胁，保护敏感数据和关键基础设施。通过分布式数据架构、Kibana可视化和机器学习等功能，提升网络安全能力。

Elastic推出ES|QL的新JOIN功能，帮助安全分析师更有效地进行威胁狩猎。通过JOIN，分析师可以将外部数据与查询结果结合，提升上下文理解，快速识别可疑活动，优先处理警报并响应事件，从而简化数据整合流程，增强安全工作流效率。

计算智能正在变革应用安全，通过增强漏洞识别、自动化测试和自主威胁狩猎。本文探讨了生成性和预测性人工智能在应用安全中的应用，包括AI的发展历程、优势、挑战及未来方向。AI工具通过生成新数据和预测漏洞，提高了安全测试的效率和准确性，但仍需人类监督以应对误报和新型漏洞。

云环境中的威胁狩猎面临独特的安全挑战，传统方法难以应对。人工智能（AI）通过异常检测、预测分析和自动化调查等功能，提高了威胁狩猎的效率。有效实施AI驱动的威胁狩猎需要明确目标、整合数据、选择合适模型并持续监控。尽管AI带来优势，但数据质量、误报和技能缺口等问题仍需解决。

Elastic Security团队研究了FORMBOOK网络钓鱼活动，揭示了其利用MSHTML漏洞的演变，强调了主动威胁狩猎和补丁管理的重要性，并提供了检测与防御建议。