Log-Analyse: Anwendungsfälle, Herausforderungen und Best Practices

Was ist Log Analytics?

Log-Analyse ist der Prozess des Sammelns, Indizierens und Analysierens computergenerierter Protokolldaten aus Infrastruktur und Anwendungen, um betriebliche Erkenntnisse zu gewinnen, die Sicherheit zu verbessern und Probleme zu beheben. Sie zentralisiert Daten aus verschiedenen Quellen, um Echtzeitanalysen, Trendermittlungen und Leistungsüberwachung zu ermöglichen. Gängige Implementierungen erlauben die Abfrage großer Datensätze mithilfe spezialisierter Sprachen wie KQL, um Anomalien zu identifizieren und Daten zu visualisieren.

Bei der Protokollanalyse werden Protokolldaten aus verschiedenen Quellen gesammelt, analysiert und ausgewertet, um Muster, Trends und Probleme zu erkennen. Dies kann alles umfassen, von Webserver- und Anwendungsprotokollen bis hin zu Netzwerk- und Sicherheitsprotokollen. Die Bedeutung der Protokollanalyse liegt darin, dass Unternehmen dadurch wertvolle Einblicke in die Leistung und Sicherheit ihrer Systeme gewinnen.

Einer der Hauptvorteile der Protokollanalyse ist die Möglichkeit, Probleme in einer IT-Umgebung schnell zu identifizieren und zu beheben. Durch die Analyse von Protokolldaten in Echtzeit können Unternehmen potenzielle Probleme erkennen und Maßnahmen ergreifen, bevor sie zu größeren Problemen werden. Dies spart viel Zeit und Ressourcen, die sonst für die manuelle Suche und Behebung von Problemen aufgewendet werden müssten.

Ein weiterer wichtiger Vorteil der Protokollanalyse ist die verbesserte Sicherheit. Durch die Analyse von Protokolldaten können Unternehmen potenzielle Sicherheitsbedrohungen identifizieren und Maßnahmen zu deren Verhinderung ergreifen. Dazu gehört das Erkennen und Blockieren bösartiger Aktivitäten wie Hackerangriffe oder das Identifizieren und Beheben von Schwachstellen in der IT-Umgebung.

Leseempfehlung:SOAR Security: 3 Komponenten, Vorteile und Top-Anwendungsfälle.

---

Warum ist Log-Analyse wichtig?

Log-Analysen spielen eine zentrale Rolle bei der Aufrechterhaltung zuverlässiger und sicherer Systeme. Sie wandeln Rohdaten in verwertbare Erkenntnisse um, die Teams helfen, das Systemverhalten zu verstehen und effektiv darauf zu reagieren.

• Schnellere Problemerkennung und -behebung: Protokolle bieten Echtzeit-Einblicke in die Systemaktivität. Die Analyse dieser Protokolle hilft Teams, Fehler schnell zu erkennen, die Ursachen zu identifizieren und Ausfallzeiten zu reduzieren.
• Verbesserte Systemleistung: Durch die Verfolgung von Mustern wie Reaktionszeiten und Ressourcennutzung können Teams Engpässe erkennen und die Systemleistung optimieren.
• Verbesserte Sicherheitsüberwachung: Protokolldaten decken verdächtige Aktivitäten wie fehlgeschlagene Anmeldeversuche, ungewöhnlichen Datenverkehr oder unbefugte Zugriffsversuche auf. Dies hilft, Bedrohungen frühzeitig zu erkennen und darauf zu reagieren.
• Verbesserte Fehlersuche und -behebung: Protokolle liefern detaillierte Kontextinformationen zu den Ereignissen, die zu einem Fehler geführt haben. Dies reduziert das Rätselraten und beschleunigt die Fehlersuche.
• Unterstützung bei Compliance und Audits: Viele Vorschriften erfordern die Nachverfolgung von System- und Benutzeraktivitäten. Protokolle liefern einen Prüfpfad, der zur Erfüllung der Compliance-Anforderungen beiträgt.
• Proaktive Problemvermeidung: Trendanalysen helfen, wiederkehrende Probleme oder Anomalien zu identifizieren. Teams können diese beheben, bevor sie sich zu schwerwiegenden Vorfällen ausweiten.
• Zentralisierte Transparenz über alle Systeme hinweg: Die Zusammenführung von Protokollen aus mehreren Quellen ermöglicht eine einheitliche Sichtweise und erleichtert so die Überwachung komplexer, verteilter Umgebungen.

---

Funktionsweise von Log Analytics

Die Protokollanalyse umfasst normalerweise vier Hauptschritte: Datenerfassung und -klassifizierung, Datenspeicherung, Mustererkennung und Korrelationsanalyse.

Im ersten Schritt werden Daten aus verschiedenen Quellen einer IT-Umgebung gesammelt, beispielsweise aus Webserver-, Anwendungs- und Netzwerkprotokollen. Im nächsten Schritt erfolgt die Klassifizierung. Dabei werden die Daten anhand bestimmter Merkmale in verschiedene Kategorien eingeteilt. Beispielsweise können Daten nach der Art des Ereignisses, der Quelle oder dem Zeitpunkt ihrer Erstellung klassifiziert werden – idealerweise nach all diesen Kriterien und noch mehr.

Diese Daten werden dann in einem zentralen Repository, beispielsweise einer Datenbank oder einem Data Warehouse, gespeichert. Sobald die Daten gespeichert sind, können sie mithilfe von Mustererkennungsalgorithmen analysiert werden. Diese Algorithmen suchen nach Mustern und Trends in den Daten, beispielsweise nach bestimmten Ereignisfolgen oder Anomalien. Dies kann dazu beitragen, potenzielle Probleme oder Chancen in der IT-Umgebung zu identifizieren.

Abschließend werden die Daten mittels Korrelationsanalyse analysiert. Dabei wird nach Beziehungen und Zusammenhängen zwischen verschiedenen Ereignissen und Datenpunkten gesucht. Dies kann helfen, Ursache-Wirkungs-Beziehungen zu identifizieren oder potenzielle Probleme zu erkennen, die einer weiteren Untersuchung bedürfen.

---

Was sind die Anwendungsfälle für Log Analytics?

Für die Protokollanalyse gibt es viele verschiedene Anwendungsfälle. Zu den wichtigsten gehören jedoch:

• Überprüfung der Anwendungsbereitstellung: Mithilfe von Log Analytics können Unternehmen die erfolgreiche Bereitstellung neuer Anwendungen überprüfen und mögliche Probleme oder Fehler während der Bereitstellung identifizieren. So können sie einen reibungslosen und effizienten Anwendungsbetrieb sicherstellen und potenzielle Probleme erkennen, bevor sie sich auf die Benutzer auswirken.
• Fehlerisolierung: Mithilfe von Protokollanalysen können Unternehmen Fehler in ihrer IT-Umgebung schnell identifizieren und isolieren. Durch die Analyse von Protokolldaten in Echtzeit können Unternehmen die Ursache eines Problems lokalisieren und Maßnahmen zur Behebung ergreifen, ohne große Datenmengen manuell durchsuchen zu müssen.
• Spitzenleistungsanalyse: Mithilfe von Protokollanalysen lässt sich die Leistung einer IT-Umgebung im Zeitverlauf analysieren und Spitzenzeiten oder Spitzenauslastungen identifizieren. Dies kann Unternehmen dabei helfen, potenzielle Engpässe oder andere Leistungsprobleme zu erkennen und Maßnahmen zur Verbesserung der Gesamtleistung ihrer Systeme zu ergreifen.
• Forensik: Protokollanalysen können für forensische Zwecke eingesetzt werden, beispielsweise zur Untersuchung von Sicherheitsverletzungen oder anderen Vorfällen. Durch die Analyse von Protokolldaten können Unternehmen die Quelle und das Ausmaß einer Sicherheitsverletzung identifizieren und Maßnahmen ergreifen, um ähnliche Vorfälle in Zukunft zu verhindern.
• Verbesserte Softwarequalität: Mithilfe von Protokollanalysen können Unternehmen die Qualität ihrer Software verbessern. Durch die Analyse von Protokolldaten können Unternehmen Probleme und Fehler in ihrer Software identifizieren und beheben, bevor sie sich auf die Benutzer auswirken. Dies trägt dazu bei, einen reibungslosen und effizienten Betrieb der Software sicherzustellen und das Benutzererlebnis insgesamt zu verbessern.

---

Wie verändert KI die Log-Analyse?

KI verbessert die Log-Analyse durch die Automatisierung von Mustererkennung und Anomalieidentifizierung in großem Umfang. Traditionelle regelbasierte Ansätze benötigen vordefinierte Schwellenwerte und Signaturen, wodurch unbekannte Probleme übersehen werden. Modelle des maschinellen Lernens lernen das normale Systemverhalten aus historischen Logs und kennzeichnen Abweichungen in Echtzeit. Dies reduziert die Abhängigkeit von manuellen Abfragen und hilft, subtile Probleme wie Leistungseinbußen, seltene Fehlerpfade oder schleichende Sicherheitsangriffe zu erkennen. KI-gestützte Systeme können zudem Warnmeldungen nach ihrer Auswirkung priorisieren, wodurch Fehlalarme reduziert und Reaktionszeiten verbessert werden.

KI verbessert zudem die Korrelation und Ursachenanalyse in komplexen Umgebungen. Moderne Systeme generieren Protokolle aus Microservices, Containern und Cloud-Infrastrukturen, was die manuelle Korrelation erschwert. KI-Modelle können verwandte Ereignisse aus verschiedenen Quellen verknüpfen, Ereigniszeiträume rekonstruieren und wahrscheinliche Ursachen vorschlagen. Schnittstellen in natürlicher Sprache vereinfachen den Zugriff zusätzlich und ermöglichen es Benutzern, Protokolle abzufragen, ohne tiefgreifende Kenntnisse von Abfragesprachen zu benötigen. Darüber hinaus kann generative KI Vorfälle zusammenfassen, Anomalien erklären und Abhilfemaßnahmen empfehlen, wodurch große Mengen an Protokolldaten in verwertbare Erkenntnisse umgewandelt werden.

---

So führen Sie eine Protokollanalyse durch

Datenbereinigung

Die Protokollanalyse umfasst in der Regel mehrere Schritte, darunter die Datenbereinigung. Bei der Datenbereinigung werden Protokolldaten bereinigt und für die Analyse vorbereitet. Sie umfasst verschiedene Aufgaben, darunter:

• Entfernen irrelevanter oder doppelter Daten: Protokolldaten enthalten häufig irrelevante oder doppelte Informationen, die für die Analyse nicht nützlich sind. Bei der Datenbereinigung werden diese Daten identifiziert und entfernt, um die Protokolldaten nützlicher und übersichtlicher zu machen.
• Normalisierung der Daten: Protokolldaten können von verschiedenen Systemen und Anwendungen generiert werden und in unterschiedlichen Formaten vorliegen. Bei der Datenbereinigung werden die Daten normalisiert, sodass sie ein einheitliches Format aufweisen und leicht analysiert werden können.
• Datentransformation: Protokolldaten müssen möglicherweise transformiert werden, um sie für Analysen nützlicher zu machen. Dies kann Aufgaben wie die Konvertierung von Zeitstempeln in ein Standardformat oder die Berechnung abgeleiteter Werte wie Durchschnitts- oder Gesamtwerte umfassen.
• Datenvalidierung: Zur Datenbereinigung gehört auch die Validierung der Protokolldaten, um deren Richtigkeit und Vollständigkeit sicherzustellen. Dies kann die Überprüfung auf fehlende Werte oder die Überprüfung, ob die Datenwerte innerhalb bestimmter Bereiche liegen, umfassen.

Datenstrukturierung

Nach der Datenbereinigung folgt als nächster Schritt der Protokollanalyse die Datenstrukturierung. Dabei werden die Protokolldaten in ein strukturiertes Format gebracht, das sich besser für die Analyse eignet. Dies kann Aufgaben umfassen wie:

• Identifizieren der Felder und Attribute der Protokolldaten: Protokolldaten enthalten typischerweise eine Reihe verschiedener Felder und Attribute, wie Zeitstempel, Benutzer-IDs und Ereignistypen. Die Datenstrukturierung umfasst das Identifizieren und Definieren dieser Felder und Attribute, damit sie einfach analysiert werden können. Am effizientesten geschieht dies beim Parsen des Protokolls bei der Aufnahme, aber verschiedene Lösungen haben unterschiedliche Methoden.
• Erstellen eines Schemas für die Protokolldaten: Sobald die Felder und Attribute der Protokolldaten identifiziert wurden, kann ein Schema erstellt werden, um die Struktur der Daten zu definieren. Dies kann die Definition der Datentypen für jedes Feld sowie aller Beziehungen oder Abhängigkeiten zwischen den Feldern umfassen.
• Laden der Daten in einen Datenspeicher: Nachdem die Daten strukturiert wurden, werden sie typischerweise in einen Datenspeicher wie eine Datenbank oder ein Data Warehouse geladen. Dadurch können die Daten einfach abgerufen und zur Analyse abgefragt werden.
• Indizierung der Daten: Zur Datenstrukturierung gehört auch die Erstellung von Indizes für die Protokolldaten, die die Performance von Analyseabfragen verbessern können. Indizes ermöglichen eine schnelle und effiziente Suche, Sortierung und Gruppierung der Daten nach verschiedenen Kriterien.

Datenanalyse

Nach der Datenbereinigung und -strukturierung folgt die Datenanalyse. Dabei kommen verschiedene Techniken und Tools zum Einsatz, um die Protokolldaten zu analysieren und Erkenntnisse zu gewinnen sowie Muster und Trends zu erkennen. Dazu gehören beispielsweise folgende Aufgaben:

• Datenabfragen: Bei der Datenanalyse werden häufig Abfragen der Protokolldaten ausgeführt, um bestimmte Teilmengen von Daten für die weitere Analyse zu extrahieren. Dies kann Abfragen umfassen, die die Daten nach bestimmten Kriterien filtern oder die Daten aggregieren, um Statistiken oder andere zusammenfassende Informationen zu berechnen.
• Visualisierung der Daten: Bei der Datenanalyse werden häufig Visualisierungen verwendet, um die Protokolldaten intuitiver und verständlicher darzustellen. Dazu gehören Diagramme, Grafiken und andere Visualisierungsarten, die dabei helfen, wichtige Trends und Muster in den Daten hervorzuheben.
• Erkennen von Anomalien und Trends: Bei der Datenanalyse geht es auch darum, in den Protokolldaten nach Anomalien und Trends zu suchen. Dazu gehört beispielsweise das Erkennen ungewöhnlicher Muster oder Spitzen in den Daten oder das Erkennen von Datenänderungen im Laufe der Zeit.
• Korrelationsanalyse: Bei der Datenanalyse werden auch Zusammenhänge und Korrelationen zwischen verschiedenen Ereignissen und Datenpunkten gesucht. Dies kann helfen, Ursache-Wirkungs-Beziehungen zu identifizieren oder potenzielle Probleme zu erkennen, die einer weiteren Untersuchung bedürfen.

---

Herausforderungen bei der Protokollanalyse

Hohes Datenvolumen

Logsysteme erzeugen große Datenmengen, insbesondere in verteilten Umgebungen. Moderne Anwendungen können über Dienste, Container und Infrastrukturschichten hinweg Millionen von Log-Ereignissen pro Minute erzeugen. Dies belastet die Speichersysteme und erhöht die Kosten für die Datenerfassung.

Mit zunehmendem Datenvolumen kann die Abfrageleistung sinken, wenn die Daten nicht ordnungsgemäß indiziert oder partitioniert sind. Teams müssen daher häufig Aufbewahrungsrichtlinien, Komprimierung und gestaffelte Speicherung (für häufig genutzte vs. selten genutzte Daten) implementieren, um die Systemeffizienz zu gewährleisten. Ohne diese Maßnahmen steigen Kosten und Komplexität rapide an.

Eine weitere Herausforderung besteht darin, zu entscheiden, welche Daten wie lange aufbewahrt werden sollen. Die Aufbewahrung aller Daten verbessert zwar die Transparenz, treibt aber die Kosten in die Höhe, während eine aggressive Filterung nützliche Kontextinformationen verlieren kann. Das richtige Gleichgewicht zu finden, ist eine fortlaufende operative Aufgabe.

Rauschen und irrelevante Daten

Protokolldateien enthalten oft redundante Einträge, Debug-Meldungen oder Ereignisse mit geringem Wert, die für die Analyse nicht relevant sind. Diese Informationsflut erschwert das Erkennen wichtiger Signale und kann Dashboards und Warnmeldungen überladen.

Um Rauschen zu reduzieren, ist eine sorgfältige Konfiguration der Protokollierungsstufen und Filter direkt an der Quelle erforderlich. Parsing- und Anreicherungspipelines können ebenfalls hilfreich sein, indem sie nur relevante Felder extrahieren. Ohne diesen Schritt könnten Teams wichtige Informationen übersehen, da diese in unnötigen Daten untergehen.

Auch Rauschen beeinträchtigt Warnsysteme. Schlecht abgestimmte Warnmeldungen, die auf verrauschten Daten basieren, können zu Warnmüdigkeit führen, wodurch Teams Warnungen ignorieren. Dies verringert die Effektivität der Überwachung und erhöht das Risiko, echte Vorfälle zu übersehen.

Echtzeitverarbeitungsanforderungen

Viele Anwendungsfälle der Log-Analyse basieren auf unmittelbaren Erkenntnissen, wie der Erkennung von Ausfällen oder Sicherheitsbedrohungen. Dies erfordert die Verarbeitung von Datenströmen mit sehr geringer Latenz, oft innerhalb von Sekunden.

Der Aufbau solcher Pipelines ist anspruchsvoll, da er skalierbare Datenerfassungssysteme, Stream-Processing-Frameworks und eine effiziente Indizierung erfordert. Die Systeme müssen zudem Lastspitzen ohne Verzögerungen bewältigen. Bei Fehlern in der Echtzeitverarbeitung treffen Warnmeldungen möglicherweise zu spät ein, um Auswirkungen zu verhindern.

Darüber hinaus müssen Echtzeitsysteme ein Gleichgewicht zwischen Geschwindigkeit und Genauigkeit finden. Schnelle Verarbeitungsketten können tiefgreifende Analysen überspringen, während eine gründlichere Verarbeitung zu Latenz führen kann. Systeme zu entwickeln, die beides gewährleisten, ist eine zentrale technische Herausforderung.

Komplexe Abfragen und Analysen

Protokolldaten sind oft semistrukturiert und variieren zwischen verschiedenen Systemen, was ihre Analyse im Vergleich zu strukturierten Daten erschwert. Unterschiedliche Formate, inkonsistente Felder und fehlender Kontext erhöhen die Komplexität von Abfragen.

Fortgeschrittene Analysen erfordern häufig die Verknüpfung oder Korrelation von Ereignissen aus verschiedenen Quellen. Dies kann ohne standardisierte Schemata oder leistungsstarke Abfragewerkzeuge schwierig sein. Teams müssen in Schulungen, Abfrageoptimierung und gegebenenfalls Abstraktionsschichten investieren, um die Arbeit mit Protokolldaten zu vereinfachen.

Auch die in Log-Plattformen verwendeten Abfragesprachen erfordern einen gewissen Lernaufwand. Das Schreiben effizienter Abfragen, die präzise Ergebnisse liefern, braucht Übung. Schlecht geschriebene Abfragen können langsam, teuer oder irreführend sein, insbesondere bei großen Datenmengen.

---

Bewährte Methoden zur Protokollanalyse

Zu den wichtigsten Best Practices für die Protokollanalyse gehören:

1. Protokolldaten aus allen relevanten Quellen sammeln

Um ein vollständiges Bild des Systemverhaltens zu erhalten, müssen Protokolle von allen relevanten Komponenten erfasst werden. Dies umfasst Anwendungen, Server, Datenbanken, Netzwerkgeräte und Sicherheitstools. Fehlt eine Datenquelle, entstehen blinde Flecken, die Leistungsprobleme oder Sicherheitsbedrohungen verschleiern können.

Die Datenerfassung sollte mithilfe von Agenten oder Pipelines automatisiert werden, um eine konsistente und zuverlässige Aufnahme zu gewährleisten. Wichtig ist außerdem die Standardisierung von Zeitstempeln und die Einbeziehung von Metadaten wie Host, Umgebung und Dienstname. Dieser Kontext ermöglicht systemübergreifende Analysen.

2. Protokolldaten in einem zentralen Repository speichern

Die zentrale Speicherung von Protokolldaten erleichtert die Suche, Korrelation und Analyse von Ereignissen über verschiedene Systeme hinweg. Anstatt Protokolle an mehreren Orten zu überprüfen, können Teams über eine einzige Oberfläche oder Plattform arbeiten.

Ein zentralisiertes System verbessert zudem die Zugriffskontrolle, die Aufbewahrungsverwaltung und die Backup-Strategien. Es ermöglicht eine schnellere Reaktion auf Sicherheitsvorfälle, da Teams alle Protokolle zentral abfragen können. Skalierbarkeit ist entscheidend; das Repository sollte daher wachsende Datenmengen ohne Leistungseinbußen bewältigen können.

3. Normalisieren und Strukturieren der Protokolldaten

Rohdaten von Protokollen liegen oft in unterschiedlichen Formaten vor, was die Analyse erschwert. Die Normalisierung wandelt die Protokolle in eine einheitliche Struktur um, während die Strukturierung wichtige Felder wie Zeitstempel, Schweregrade und Kennungen extrahiert.

Dieser Schritt verbessert die Abfrageleistung und vereinfacht die Erstellung von Dashboards und Warnmeldungen. Strukturierte Protokolle unterstützen zudem eine bessere Korrelation zwischen Systemen. Ohne Normalisierung wird die Analyse aufgrund inkonsistenter Datenformate langsamer und fehleranfälliger.

4. Die richtigen Werkzeuge und Techniken für die Analyse einsetzen.

Eine effektive Log-Analyse erfordert Tools, die für die Verarbeitung großer Datenmengen mit hoher Übertragungsgeschwindigkeit ausgelegt sind. Diese Tools bieten häufig Indizierungs-, Such-, Visualisierungs- und Alarmierungsfunktionen.

Techniken wie Mustererkennung, Anomalieerkennung und Korrelationsanalyse helfen dabei, Erkenntnisse zu gewinnen, die aus den Rohdaten nicht ersichtlich sind. Die Auswahl von Werkzeugen, die sich gut in bestehende Systeme integrieren lassen, reduziert den Betriebsaufwand und verbessert die Workflow-Effizienz.

5. Überprüfen und aktualisieren Sie regelmäßig den Log-Analyseprozess.

Die Protokollanalyse ist keine einmalige Angelegenheit. Systeme entwickeln sich weiter, und die Anforderungen an die Protokollierung ändern sich im Laufe der Zeit. Regelmäßige Überprüfungen helfen, Lücken in der Abdeckung, veraltete Konfigurationen oder ineffiziente Abfragen zu identifizieren.

Teams sollten die Protokollierungsstufen optimieren, die Analyseregeln aktualisieren und die Alarmschwellenwerte an die tatsächliche Nutzung anpassen. Kontinuierliche Verbesserungen gewährleisten, dass die Protokollanalyse relevant, kosteneffektiv und auf die Betriebs- und Sicherheitsziele abgestimmt bleibt.

---

Sicherheitsprotokollanalyse mit Exabeam

Exabeam Security Log Management stellt den Exabeam Einstiegspunkt zum Aufnehmen, Analysieren, Speichern und Suchen von Sicherheitsdaten an einem Ort dar und bietet eine schnelle, moderne Such- und Dashboard-Erfahrung für Ihre Sicherheitsprotokolldaten.

Exabeam Security Log Management bietet eine erschwingliche Protokollverwaltung in großem Umfang, ohne dass fortgeschrittene Programmierkenntnisse, Fähigkeiten zur Erstellung von Abfragen oder langwierige Bereitstellungszyklen erforderlich sind. Collectors sammeln Daten von lokalen oder Cloud-Datenquellen über eine einzige Schnittstelle. Log Stream analysiert jedes Rohprotokoll in ein Sicherheitsereignis, während die Daten von der Quelle übertragen werden, identifiziert benannte Felder und normalisiert sie unter Verwendung eines Standardformats (CIM) für eine beschleunigte Analyse mit zusätzlichem Sicherheitskontext, der die Zuordnung von Benutzeranmeldeinformationen zu IPs und Geräten unterstützt.

• Mehrere Transportmethoden: API, Agent, Syslog, Cribl, SIEM-Datensee
• 381+ Produkte in 56 Produktkategorien; darunter
• 34 Cloud-basierte Sicherheitsprodukte
• 11 SaaS-Produktivitätsanwendungen
• 21 Cloud-Infrastrukturlösungen
• Kombiniert zur Darstellung von über 9.300 vorgefertigten Protokollparsern

Eine wesentliche Funktion von Exabeam Security Log Management ist die Suche, ein einfacher Dropdown-Assistent, der selbst unerfahrenen Analysten hilft, schnell komplexe Abfragen zu erstellen. Mit der Suche können Sie schnell leistungsstarke Visualisierungen aus Ihren analysierten Protokolldaten erstellen und in wenigen Minuten ein Dashboard aus 14 verschiedenen vorgefertigten Diagrammtypen erstellen. Bei häufigen Abfragen können Sie diese mit Ihrem Team teilen oder eine Korrelationsregel mit automatisierten Antworten per E-Mail oder API erstellen.