برای تحلیل اطلاعات سایبری نیاز است ساختار های این اطلاعات که ما فعلا در این مقاله برای عدم اشتباه در برداشت معنی، به دارایی از آنها نام میبریم را بشناسیم
یک دسته بندی از دارایی های اطلاعاتی سازمان که در مراحل مختلف غنی میشوند به شرح هرم زیر است
در هرم زیر داشته های اطلاعاتی سازمان بنا به ماهیت و پختگی به سطوحی دسته بندی و در هرمی به نمایش در میاید :
DIKW Pyramid
در کف این هرم داده ها از میزان زیاد برخوردار هستند اما هر چه بالاتر میرویم از حجم کمتر واما به غنای داشته سازمان افزوده میگردد

و اما تعاریف :
- در لایه داده : اینجا ما با داده خام پردازش نشده مواجه هستیم نظیر لاگ برنامه های کاربردی ، لاگ هاست ها ، لاگ تجهیزات امنیتی و انواع لاگ و داده های سلامت سرویس ها
- لایه اطلاعات: در این لایه با یک پردازش روی داده خام داده ها از طریق رولها و شنات رفتاری با معنی شده اند .برای مثال اینکه از یک سورس خاص پروتکل SSH بیشتر استفاده شده است. معمولا بسیاری از مراکز عملیات امنت در همین لایه گیر میافتندو عملیات کاری ایشان در همین سطح میباشد.
- لاسه دانش: در این لایه ، اطلاعات دسته بندی و خلاصه شده اند تا بتوانند در راستای کشفی مشخص به ما کمک کنند .ترکیب داده های سازمان با CVE ها ، شناخت پترن و مپ کردن آن به روش های حمله بر اساس به روش های شناخته شده جهانی چون CAPEC .
استفاده از گراف برای ساختاردهی و مرتب سازی داده ها
یکی از ابزار های جالب برای ارتباط داده ها بهم و ساختار دهی را در لینک زیر میاوریم
https://www.mitre.org/research/technology-transfer/technology-licensing/cygraph
با ایجاد ساختاردهی به داده ها ، متخصصان امنیت در بین حجم انبوهی از داده ها میتوانند ارتباطات مشخص را به راحتی درک کنند

انواع گراف های داده ای :
Environmental data graph
با استفاده از مدیریت دارایی ها ، مدیریت آسیب پذیری ها ، مدیریت ریسک و داده های بیزنسی مرتبط به همراه ساختار فناوری اطلاعات سازمان و نیروی انسانی ، گرافی مرتبط کننده اینها را ترسیم میکنیم. باید بدانیم به مقوله دفاع سایبری سازمان در یک محیط ایزوله نباید بصورت ایزوله نگاه کرد. ساختن این گراف یکی از خلاقیت های معماران امنیت اطلاعات است که دارندگان مدارک CISSP میتوانند نمونه ای از آنها باشند.
هدف از این گراف آن است که دید کلی اما ارتباطی در مقولات اشاره شده با توجه به ماهیت بیزنسی سازمان حاصل گردد و ما در تله ابزار ها و فناوریها نیفتیم موضوعی که اکثرا در کسور نادیده گرفته میشود و تنها به تهیه ابزار ها بسنده میشود .
Behavioral data graph

از زوز لاگ های خام برای سرویس ها و دارایی های سازمان پروفایل های رفتاری میسازیم اما ساختن این پروفایل ها نیاز به دانش از سازمان ، مدل و ساختار شبکه و امنیت سازمان دارد.
یکی از نکات این این گراف ها آن است که خود بعنوان شاهد رخداد عمل میکنند . معمولا در هوش مصنوعی و هوش تجاری ، نمایش بصری خود بعنوان راهکارتشخیصی برای بهینه بودن مدل انتخاب میگردد.
ریزدانگی و دقت در تنظیمات لاگ های جمع آوری شده ، برای این مرحله حیاتی است برای مثال تنظیم درست فایل تنظیمات سیسمون بسیار برای ترسیم گراف کارا عمل مینماید.
Intelligence data graph
با توجه به حوادث بیرون سازمانی ،فید هایی از منابع هوش تهدید دریافت میگردد که ما بایستی آنها را با داشته های خود به گرافی تبدیل کنیم
Knowledge data graph
رولهای چند بارتلفیق شده بعنوان منبع تهیه گراف دانشی میتوانند مورد استفاده قرار گیرند. معمولا در هنگام تهیه رولها در SIEM ، یوزکیس ها تا زمان برآورده شدن شر ایطی ، پاسخ نخواهند داد ،اما پس از رسیدن به آن شرایط دانش تولید میگردد که این دانش در خروجی رولهای تلفیقی اولیه وجود نداشته است
مثلا در ArcSight رولاهای نلفیقی دوباره در چنل فلو وارد میشوند تا برای تلفیق بعدی مورد استفاده قرار گیرند