Espacio de estudio

Prepará SC-200 con una referencia que recuerda tu progreso.

Las nueve rutas de aprendizaje ya funcionan sobre la nueva arquitectura. Seleccioná una para ver su resumen y sus módulos.

09 / 09

Elegí una ruta de aprendizaje

0/404 unidades
08Realizar búsqueda de amenazas en Microsoft Sentinel4 módulos · 25 unidades · Hipótesis, consultas, marcadores, livestream, trabajos de búsqueda, registros restaurados y notebooks0/25 unidades completadas−
Ruta de aprendizaje 08 · Realizar búsqueda de amenazas en Microsoft Sentinel ↗

4 módulos · 25 unidades · Hipótesis, consultas, marcadores, livestream, trabajos de búsqueda, registros restaurados y notebooks

0%

Enfoque de estudio

Flujo de búsqueda

Desarrollá hipótesis, administrá consultas, preservá evidencia con marcadores y monitoreá mediante livestream.

Investigación profunda

Usá búsqueda y restauración, notebooks, MSTICPy, API y aprendizaje automático para búsquedas avanzadas.

Esta ruta de aprendizaje está disponible completamente en español.

4 módulos · 25 unidades

Seleccioná uno o más módulos

Cada clic agrega o quita un módulo del espacio de estudio. Las unidades permanecen cerradas hasta que las abras.

04Buscar amenazas mediante notebooks en Microsoft Sentinel0/7 unidades−
04

Módulo 4

Buscar amenazas mediante notebooks en Microsoft Sentinel

Enfoque: API de Log Analytics, Kqlmagic, MSTICPy, Azure Machine Learning, creación y código reutilizable.
0/7
01 / 07Introducción

Los notebooks combinan Python ejecutable, KQL, visualizaciones y narrativa en una investigación reproducible. Sirven para enriquecimiento, fusión, estadísticas, grafos, ML y flujos que exceden el portal.

Lección oficialObjetivos avanzados
02 / 07Acceder a datos de Sentinel con herramientas externas

Los datos residen en Log Analytics y se acceden por API estándar. Kqlmagic ejecuta KQL desde celdas. MSTICPy aporta adquisición, consultas, enriquecimiento, análisis y visualización para Sentinel, Defender y otras fuentes.

Lección oficialKqlmagic y MSTICPy
03 / 07Buscar mediante notebooks

Jupyter separa interfaz y kernel. Las plantillas usan proceso de Azure ML y bibliotecas como pandas, matplotlib, Bokeh, scikit-learn y MSTICPy. Usá plantillas Microsoft como ejemplos, adaptalas al esquema local y revisá notebooks comunitarios como código antes de ejecutarlos.

Lección oficialComponentes y usos
04 / 07Crear un notebook
  1. Configurá Azure ML desde Sentinel.
  2. Creá desde Getting Started.
  3. Abrí en ML Studio y aprovisioná proceso.
  4. Elegí kernel Python y autenticá.
  5. Inicializá MSTICPy y revisá msticpyconfig.yaml.
  6. Consultá y detené proceso al finalizar.

El proceso cuesta mientras se ejecuta; usá privilegios mínimos y protegé secretos.

Lección oficialConfiguración en Azure ML
05 / 07Explorar el código de un notebook

El código autentica proveedores, ejecuta KQL, convierte a pandas, enriquece con TI o GeoIP, visualiza escalas o relaciones y registra conclusiones. Ejecutá celdas en orden, inspeccioná resultados, documentá versiones, quitá secretos y salidas sensibles y preservá narrativa reproducible.

Lección oficialFlujo del notebook
06 / 07Evaluación del módulo

Revisá API, Kqlmagic, MSTICPy, interfaz/kernel, área y proceso de ML, autenticación, plantillas, ejecución, costo y reproducibilidad.

Evaluación oficialComprobación de notebooks
07 / 07Resumen y recursos

Los notebooks extienden Sentinel con adquisición, enriquecimiento, análisis y visualización programables. Gobernalos como código revisado, reproducible, de privilegios mínimos, consciente del costo y seguro para evidencia.

Lección oficialResumen y recursos
Fin de la ruta de aprendizajeRealizar búsqueda de amenazas en Microsoft Sentinel
↑