Sentinel Data Lake vs. Log Analytics: Was passt wann?
Microsoft Sentinel nutzt Log Analytics als operative Analytics-Ebene für schnelle Detection, Incident-Arbeit und KQL-Abfragen. Microsoft Sentinel Data Lake ergänzt das um kosteneffiziente, längerfristige Speicherung und historische Analysen, wenn Daten nicht ständig „hot“ verfügbar sein müssen. Entscheidend sind Datenvolumen, Abfragehäufigkeit, Retention-Anforderungen und saubere Governance.
- Log Analytics: schnell für Detection, Hunting und Operations.
- Data Lake: historisch, skalierbar, für seltenere Analysen.
- Kosten hängen stark von Ingestion, Retention und Query-/Compute-Nutzung ab.
Wenn du die Datenpfade pro Quelle planst, sinken Betriebskosten und du vermeidest Blindspots in der Detection.
Du sorgst dafür, dass M365 läuft. Wir sorgen dafür, dass niemand unbemerkt eindringt, heimlich mitliest und Schaden anrichtet.
Definition
Microsoft Sentinel Data Lake ist eine Speicher- und Analyseebene für Sicherheitsdaten in großem Umfang, ausgelegt auf langfristige Aufbewahrung und spätere Auswertung. Log Analytics ist die operative Analytics-Ebene im Microsoft-Sentinel-Workspace für schnelle KQL-Abfragen, Detection und Incident-Workflows; der Data Lake ersetzt diese Ebene nicht.
Einleitung
Beim Thema „sentinel data lake vs log analytics“ geht es selten um entweder-oder, sondern um den richtigen Datenpfad pro Log-Typ. Wenn du Logs nach Nutzen (Detection vs. Historie) und Zugriffsmuster (oft vs. selten) trennst, bekommst du bessere Response-Fähigkeit bei kontrollierbaren Kosten.
Architektur: Wofür ist welche Ebene gedacht?
Log Analytics ist auf Security-Operations optimiert: Kusto Query Language (KQL), Analytic Rules, Incidents, Workbooks und Threat Hunting laufen typischerweise hier. Der Mehrwert entsteht operativ: schnellere Erkennung, kürzere Triage und weniger manuelle Analysezeit.
Microsoft Sentinel Data Lake zielt auf „viel und lange“: große Datenmengen, längere Retention policies und Analysen, die nicht permanent in Echtzeit laufen müssen. Abfragen passieren eher anlassbezogen (z. B. nach einem Incident) und können über KQL-basierte Jobs oder Notebook-Ansätze erfolgen. Wichtig: Daten im Lake sind nicht automatisch gleichwertig für Echtzeit-Detection im Sentinel-Operations-Alltag.
Speicherung und Abfrage: Performance vs. Historie
Operativ zählt Query-Performance: Wenn ein Analyst in Minuten entscheiden muss, ob ein Alert echt ist, sind langsame oder komplexe Lake-Abfragen ein Risiko. Log Analytics ist dafür gebaut, regelmäßig und interaktiv abgefragt zu werden.
Der Data Lake spielt seine Stärke aus, wenn du historische Daten primär für Rückblicke, Trend-Analysen oder forensische Nachfragen brauchst. Typische Kandidaten sind sehr volumenstarke Quellen (z. B. Flow Logs/NetFlow-ähnliche Daten) oder Daten, die du aus Compliance-Gründen länger vorhalten willst, aber selten anfasst. Die Kernfrage lautet: Wie oft wird wirklich gefragt, und wie schnell muss die Antwort sein?
Kostenmodell: Welche Faktoren treiben das Budget?
Für die Kostenplanung sind vier Hebel entscheidungsrelevant: Ingestion, Aufbewahrung, Abfragen und Rechenleistung. In Log Analytics hängen Kosten typischerweise stark am ingestierten Volumen und dem gewählten Commitment Tier sowie an der konfigurierten Retention. Im Data Lake kommen neben Ingestion vor allem Storage-Kosten und Kosten für Abfragen/Verarbeitung hinzu, etwa wenn Notebooks, Spark-Compute oder geplante Jobs genutzt werden.
Praktischer Punkt für Budget-Risiken: „Billiger speichern“ kann im Alltag teurer werden, wenn Teams häufig große Datenmengen im Lake scannen. Plane deshalb nicht nur TB/Tag, sondern auch Query-Häufigkeit, Query-Umfang und wer Zugriff auf welche Analyseflächen bekommt. Für belastbare Annahmen eignet sich der Azure Pricing Calculator als Rahmen für Szenarien.
Onboarding: Datenquellen, Connectors und Ingestion-Design
Ein pragmatisches Onboarding startet mit einer Signal-Priorisierung: Welche Daten bringen Detection-Wert, welche sind eher „für später“? Häufig landen Entra-Signale (z. B. SigninLogs), Microsoft Defender XDR-Events und kritische SaaS-/Cloud-Telemetrie in Log Analytics, weil sie direkt in Detection und Response wirken.
Für die Ingestion gilt: Nutze Data Connectors gezielt und entscheide je Tabelle, ob sie im Analytics-Tier bleiben muss oder in eine Lake-Strategie gehört. Wenn du Azure Monitor-/Sentinel-Datenpfade nutzt, prüfe außerdem Transformationen (z. B. DCR transformations), weil sie Kosten und Datenqualität beeinflussen. Miss nach dem ersten Import sofort: Datenvollständigkeit, Feldqualität und ob KQL-Queries die erwarteten Ergebnisse liefern.
Retention- und Mirroring-Strategien: Welche Daten wohin?
Eine saubere Strategie kombiniert kurze bis mittlere operative Aufbewahrung in Log Analytics mit längerer Aufbewahrung im Data Lake. Mirroring kann helfen, operative Daten später historisch verfügbar zu haben, ohne alles dauerhaft „hot“ zu halten. Entscheidend ist die Reihenfolge: Erst festlegen, welche Detection im Alltag laufen muss, dann Retention und Mirroring so bauen, dass keine Detection-Lücken entstehen.
Denke in drei Kategorien statt in Tools:
- Hot: tägliche Nutzung für Detection/IR in Log Analytics.
- Warm: gelegentliche Analysen, klarer Zugriffskreis.
- Cold: seltene Nutzung, lange Aufbewahrung im Lake.
Governance, Sicherheit und Compliance: Zugriff ist ein Kosten- und Risikohebel
Governance ist nicht „Papier“, sondern Betriebsschutz: Wer zu breit auf Rohlogs und Notebook-Compute zugreifen kann, erhöht sowohl Datenabfluss-Risiko als auch Kostenrisiko. Lege Rollen, Arbeitsabläufe und Nachvollziehbarkeit fest (wer darf welche Queries/Jobs starten, wer darf Daten exportieren, wer genehmigt neue Quellen). Microsoft Purview kann dabei helfen, Datenzugriff und Klassifizierung in größeren Organisationen zu strukturieren.
Für Compliance zählt außerdem: dokumentierte Retention policies, nachvollziehbare Löschregeln und ein klares Zielbild, welche Daten aus Audit-/NIS2-Sicht vorgehalten werden müssen.
Use Cases und Entscheidungsindikatoren
Log Analytics passt, wenn du schnelle Detection, SOAR-nahe Workflows und regelmäßiges Threat Hunting brauchst. Der Data Lake passt, wenn du große Datenmengen langfristig vorhalten willst, historische Analysen fährst oder Daten für spätere Ermittlungen aufbewahrst, ohne alles dauerhaft im operativen Tier zu halten.
Mini-Story: Ein Team betreibt Microsoft Defender XDR- und Entra-Use-Cases operativ in Log Analytics, weil daraus täglich Incidents entstehen. Zusätzlich werden volumenstarke Netzwerk-Flow-Logs in den Data Lake gelegt, weil sie nur bei konkreten Vorfällen abgefragt werden. Ergebnis: bessere Triage-Geschwindigkeit und weniger unnötige Kosten durch dauerhaftes „Hot“-Vorhalten.
Best Practices, Fallstricke und Kostenoptimierung
- Best Practice: Trenne Daten nach Detection-Wert und Abfragefrequenz, nicht nach „Quelle ist wichtig“.
- Fallstrick: Daten in den Lake verschieben und dann feststellen, dass operative KQL-Detections oder Analysten-Workflows langsamer werden.
- Kostenoptimierung: Retention je Tabelle festlegen, Query-Zugriffe begrenzen und regelmäßig ungenutzte Datenpfade entfernen.
Wann externe Unterstützung sinnvoll wird
Externe Unterstützung lohnt sich, wenn Budget-Sicherheit, Implementierungsdauer und Betriebssicherheit wichtiger sind als „wir probieren mal“. Typisch sind diese Situationen: unklare Datenpfade (was muss in Log Analytics bleiben?), Kostenüberraschungen durch Query-/Compute-Nutzung oder fehlende Governance rund um Zugriff und Retention. Zusätzlich ist Hilfe sinnvoll, wenn du Erfolg messbar machen willst, z. B. über Abdeckung kritischer Datenquellen, stabile Detection-Use-Cases und sinkende Triage-Zeiten statt reiner Datenmenge.
Fazit
„Sentinel Data Lake vs. Log Analytics“ ist eine Architekturentscheidung nach Nutzung: Log Analytics für operative Detection und schnelle Response, Data Lake für lange Retention und historische Analysen. Wenn Datenpfade, Retention und Zugriffe pro Tabelle geplant sind, bekommst du bessere Sicherheit bei kontrollierbaren Kosten.
Wenn du das ohne Projektrisiko und ohne Tool-Mix betreiben willst: Wir übernehmen den Betrieb und das kontinuierliche Tuning von Microsoft Sentinel im Microsoft Security-Stack – mit klaren SLAs und festem Scope.
Häufige Fragen
Ersetzt Microsoft Sentinel Data Lake Log Analytics?
Nein. Log Analytics ist die operative Analytics-Ebene für Detection, Incidents und schnelle KQL-Abfragen. Der Data Lake ergänzt das für langfristige Aufbewahrung und historische Analysen, ist aber kein 1:1-Ersatz für den operativen Betrieb.
Wovon hängen die Kosten am stärksten ab?
Vor allem von ingestiertem Datenvolumen, Retention, Abfragehäufigkeit und Rechenleistung für Analysen. Ein häufiger Kostentreiber sind große, häufige Abfragen im Data Lake oder unnötig lange Retention im operativen Tier.
Wie lange dauert das Onboarding typischerweise?
Das hängt weniger von Technik ab als von Entscheidungen: Welche Quellen zuerst, welche Tabellen in welches Tier, welche Retention policies und welche Zugriffsrollen. Mit sauberer Priorisierung ist ein erster produktiver Scope meist deutlich schneller als ein Vollausbau.
Wie mache ich den Nutzen messbar?
Messbar wird es über operative Kennzahlen: Abdeckung kritischer Datenquellen, stabile Detection-Use-Cases, Zeit bis zur Triage-Entscheidung, Reduktion manueller Analysearbeit und nachvollziehbare Nachweisdokumentation für Vorfälle und Maßnahmen.