Vergleich von Playbooks, Arbeitsmappen und Notebooks

  • Artikel

Dieser Artikel beschreibt die Unterschiede zwischen Playbooks, Arbeitsmappen und Notebooks in Microsoft Sentinel.

Vergleichen nach Persona

In der folgenden Tabelle werden Microsoft Sentinel-Playbooks, Arbeitsmappen und Notebooks nach Benutzer-Persona verglichen:

Resource Beschreibung
Playbooks
  • SOC-Techniker*in
  • Analyst*innen aller Ebenen
Arbeitsmappen
  • SOC-Techniker*in
  • Analyst*innen aller Ebenen
Notebooks
  • Bedrohungssucher und Ebene-2/Ebene-3-Analysten
  • Zwischenfallermittler
  • Datenanalysten
  • Sicherheitsforscher

Vergleichen nach Verwendung

In der folgenden Tabelle werden Microsoft Sentinel-Playbooks, Arbeitsmappen und Notebooks nach Anwendungsfall verglichen:

Resource Beschreibung
Playbooks Automatisierung von einfachen, wiederholbaren Aufgaben:
  • Erfassung externer Daten
  • Datenanreicherung mit Tl, GeoIP-Lookups und mehr
  • Untersuchung
  • Wiederherstellung
Arbeitsmappen
  • Visualisierung
Notebooks
  • Abfrage von Microsoft Sentinel- und externen Daten
  • Datenanreicherung mit Tl, GeoIP-Lookups und Whois-Lookups und mehr
  • Untersuchung
  • Visualisierung
  • Suche
  • Maschinelles Lernen und Big-Data-Analyse

Vergleich von Vorteilen und Herausforderungen

In der folgenden Tabelle werden die Vor- und Nachteile von Playbooks, Arbeitsmappen und Notebooks in Microsoft Sentinel verglichen:

Resource Vorteile Herausforderungen
Playbooks
  • Am besten geeignet für einzelne, wiederholbare Aufgaben
  • Keine Kodierungskenntnisse erforderlich
  • Nicht geeignet für ad-hoc und komplexe Aufgabenketten
  • Nicht ideal zum Dokumentieren und Freigeben von Beweisen
Arbeitsmappen
  • Am besten geeignet für einen allgemeinen Überblick über Microsoft Sentinel-Daten
  • Keine Kodierungskenntnisse erforderlich
  • Kann nicht mit externen Daten integriert werden
Notebooks
  • Am besten für komplexe Ketten von wiederholbaren Aufgaben
  • Ad-hoc, mehr prozedurale Kontrolle
  • Leichteres Pivotieren mit interaktiven Funktionen
  • Umfangreiche Python-Bibliotheken für die Datenmanipulation und -visualisierung
  • Maschinelles Lernen und benutzerdefinierte Analysen
  • Einfaches Dokumentieren und Freigeben von Analysebeweisen
  • Hohe Lernkurve und erfordert Programmierkenntnisse

Zugehöriger Inhalt

Weitere Informationen finden Sie unter: