Sikr dig mod svindel med auditering

Ved at gemme data til senere auditering, kan du nemt spore og identificere mistænkelige aktiviteter og sikre, at der bliver truffet passende foranstaltninger for at håndtere situationen.

For nemt at kunne spore og identificere mistænkelige aktiviteter, kan du implementere et auditeringssystem, som kan opsnappe og arkivere data, der flyder igennem de forskellige it-systemer.  

Semler Gruppen, der er Danmarks største bilaktør, er et eksempel på en virksomhed, der ønskede at sikre bedre kontrol af deres data i forbindelse med en større digital transformation af deres forretning. 

Derfor skabte vi en en auditeringsløsning, der var tilpasset deres specifikke behov. For at begrænse omkostninger og sikre kontrol over data og funktionalitet, faldt valget på en løsning, baseret på Azure-ressourcer. I normale logging-systemer vil du typisk fokusere på metadata og kun undtagelsesvis medtage applikationsdata - for auditeringssystemet er formålet derimod at gemme både meta- og applikationsdata.

Ved at medtage begge typer data, bliver det muligt at monitorere og analysere data fra flere systemer og kilder hele vejen fra start til slut.

Værdien af en integreret løsning

For at kunne skabe et overblik over løsningen, er det nødvendigt at give en kort intro til det digitale landskab, som vi arbejder med hos Semler. Her har vi bygget en integrationsløsning, der baserer sig på en microservicearkitektur. Microservicearkitektur er en softwarearkitektur, der deler en applikation op i mindre, uafhængige tjenester - kaldet microservices - der kommunikerer med hinanden via API'er. 

Når man har mange services, har man mange API’er. I løsningen har vi også en række forskellige typer API’er.  

Her er fire eksempler, hvor de to første er klart mest udbredt: 

1. HTTP – typisk RESTful 
2. Azure Service bus 
3. Delt blob storage
4. Delt SQL database

I Semler Gruppens auditeringsløsning vil de gerne fange data, når de bevæger sig over et API, og derfor har vi bygget en generel komponent til hver type API, som er simpel for den enkelte løsning at implementere. De generelle komponenter hjælper også med at lave en metadata envelope rundt om det payload, som vi ønsker at gemme til auditering.

Azure Event Hub har en Capture-feature, som gør det muligt at skrive events direkte til Data Lake, men til vores formål er den både for dyr og ikke konfigurerbar nok. I stedet læser vi fra Event Hub med en Azure Function. Funktionen opsamler en bunke beskeder fra hubben og skriver dem til Data Lake i deres rå JSON-format. Desuden gemmer den samme data i et indekseret format. 

Vi har designet et skema til parquet (parquet er et række-kolonneformat a la Excels XLSX-format), som gør det muligt for Synapse at lave søgninger i de gemte data. I dette skema er der blandt andet en kolonne, som indeholder en reference til den fil, hvori den rå data ligger. 

Synapse gør det nemt at søge bredt

Det er forventet, at vi skal opbevare auditeringsdataen i fem år. Det fører til datamængder i størrelsesordenen 100 TB. For at kunne opbevare den slags data på en relativt billig måde, er Azure Data Lake en oplagt teknologi.

Dataen bliver gemt både i rå form (det vil ofte være i JSON-format) og i indekseret format. Det indekserede format er CSV. Det gør det muligt lave forespørgsler på data ved hjælp af Azure Synapse Analytics.

Synapse er et meget kraftfuldt værktøj til at håndtere store datamængder, men det er ikke billigt i drift. I hvert fald ikke, hvis det skal søge igennem 100 TB data.

Derfor er det vigtigt

• At der er mulighed for at begrænse den mængde data Synapse behandler. Her lagrer vi data, der gør det muligt at køre på specifikke tidsintervaller. 
  
  
• Ikke at bruge Synapse for meget til forespørgsler. Auditeringsløsningen er designet til at gemme en masse data, som kun skal bruges i særlige situationer, og derfor er Synapse det oplagte valg – fordi søgninger vil være en sjældenhed. 

Skræddersyet løsning giver kontrol over indekserede data

Implementeringen af et auditeringssystem er ikke en let opgave, da der kræves en høj grad af kontrol over data for at opnå pålidelighed og effektivitet. 

En løsning, der i så høj grad som muligt, bruger off-the-shelf-komponenter kunne f.eks. bruge Azures logging-værktøj lavet på Application Insights. Application Insights giver mulighed for at lave automatisk logning, men for at opsamle den slags payload-data, som Semler har ønsket, ville det kræve omfattende konfigurering og man slipper ikke for at indsætte custom logging-udtryk i koden.  

Derefter løber du ind i seriøse problemer med at holde omkostningerne for ingestion og opbevaring nede. Application Insights giver mulighed for at køre komplekse forespørgsler på den lagrede data, men det er alt for dyrt, hvis der er meget data.

Med et pålideligt og effektivt auditeringssystem på plads kan virksomheder opnå en høj grad af tillid og sikkerhed i deres datastyring, samtidig med, at de overholder de nødvendige standarder og reguleringer. Der er ingen tvivl om, at implementeringen af et sådant system kan være en udfordring, men det er en investering, der betaler sig i det lange løb.