Analyse von APT-Gruppen mit MITRE ATT&CK Navigator

Was macht Analyse von APT-Gruppen mit MITRE ATT&CK Navigator?

Überblick

Der MITRE ATT&CK Navigator ist ein webbasiertes Tool zur Annotation und Erkundung von ATT&CK-Matrizen. Es ermöglicht Analysten, die Technikabdeckung von Bedrohungsakteuren zu visualisieren, mehrere APT-Gruppen zu vergleichen, Erkennungslücken zu identifizieren und bedrohungsinformierte Verteidigungsstrategien zu entwickeln. Diese Fähigkeit umfasst das programmatische Abfragen von ATT&CK-Daten, die Abbildung von APT-Gruppen-TTPs in Navigator-Layern, die Erstellung von Multi-Layer-Overlays für Lückenanalysen und die Generierung umsetzbarer Intelligence-Berichte für Erkennungsentwicklungsteams.

Wann anwenden

• Bei der Untersuchung von Sicherheitsvorfällen, die die Analyse von APT-Gruppen mit dem MITRE Navigator erfordern
• Bei der Erstellung von Erkennungsregeln oder Jagdabfragen für diese Domäne
• Wenn SOC-Analysten strukturierte Verfahren für diesen Analysetyp benötigen
• Bei der Validierung der Sicherheitsmonitoring-Abdeckung für verwandte Angriffstechniken

Voraussetzungen

• Python 3.9+ mit attackcti, mitreattack-python, stix2, requests-Bibliotheken
• ATT&CK Navigator (https://mitre-attack.github.io/attack-navigator/) oder lokale Bereitstellung
• Verständnis der ATT&CK Enterprise-Matrix: 14 Taktiken, 200+ Techniken, Sub-Techniken
• Zugriff auf Bedrohungsintelligenzberichte oder MISP/OpenCTI für Bedrohungsakteurdaten
• Vertrautheit mit STIX 2.1 Intrusion Set und Attack Pattern Objekten

Schlüsselkonzepte

ATT&CK Navigator Layer

Navigator-Layer sind JSON-Dateien, die ATT&CK-Techniken mit Bewertungen, Farben, Kommentaren und Metadaten annotieren. Jeder Layer kann die Techniknutzung einer einzelnen APT-Gruppe, eine Erkennungsfähigkeitskarte oder ein kombiniertes Overlay darstellen. Layer Version 4.5 unterstützt Enterprise-Attack, Mobile-Attack und ICS-Attack Domänen mit Filtern nach Plattform (Windows, Linux, macOS, Cloud, Azure AD, Office 365, SaaS).

APT-Gruppenprofile in ATT&CK

ATT&CK katalogisiert über 140 Bedrohungsgruppen mit dokumentierter Techniknutzung. Jedes Gruppenprofil enthält Aliase, anvisierte Branchen, zugehörige Kampagnen, verwendete Software und Technikzuordnungen mit Verfahrensdetails auf Prozedurebene. Gruppen werden durch G-Codes identifiziert (z. B. G0016 für APT29, G0007 für APT28, G0032 für Lazarus Group).

Multi-Layer-Analyse

Der Navigator unterstützt das gleichzeitige Laden mehrerer Layer. Analysten können so TTPs von Bedrohungsakteuren mit der Erkennungsabdeckung überlagern, um Lücken zu identifizieren, mehrere APT-Gruppen zu vergleichen und gemeinsame Techniken zu priorisieren sowie Änderungen der Technikabdeckung im Zeitverlauf zu verfolgen.

Arbeitsablauf

Schritt 1: ATT&CK-Daten für eine APT-Gruppe abfragen

from attackcti import attack_client
import json

lift = attack_client()

# Alle Bedrohungsgruppen abrufen
groups = lift.get_groups()
print(f"Gesamtzahl ATT&CK-Gruppen: {len(groups)}")

# APT29 (Cozy Bear / Midnight Blizzard) finden
apt29 = next((g for g in groups if g.get('name') == 'APT29'), None)
if apt29:
    print(f"Gruppe: {apt29['name']}")
    print(f"Aliase: {apt29.get('aliases', [])}")
    print(f"Beschreibung: {apt29.get('description', '')[:300]}")

# Von APT29 (G0016) verwendete Techniken abrufen
techniques = lift.get_techniques_used_by_group("G0016")
print(f"APT29 verwendet {len(techniques)} Techniken")

technique_map = {}
for tech in techniques:
    tech_id = ""
    for ref in tech.get("external_references", []):
        if ref.get("source_name") == "mitre-attack":
            tech_id = ref.get("external_id", "")
            break
    if tech_id:
        tactics = [p.get("phase_name", "") for p in tech.get("kill_chain_phases", [])]
        technique_map[tech_id] = {
            "name": tech.get("name", ""),
            "tactics": tactics,
            "description": tech.get("description", "")[:500],
            "platforms": tech.get("x_mitre_platforms", []),
            "data_sources": tech.get("x_mitre_data_sources", []),
        }

Schritt 2: Navigator-Layer-JSON generieren

def create_navigator_layer(group_name, technique_map, color="#ff6666"):
    techniques_list = []
    for tech_id, info in technique_map.items():
        for tactic in info["tactics"]:
            techniques_list.append({
                "techniqueID": tech_id,
                "tactic": tactic,
                "color": color,
                "comment": info["name"],
                "enabled": True,
                "score": 100,
                "metadata": [
                    {"name": "group", "value": group_name},
                    {"name": "platforms", "value": ", ".join(info["platforms"])},
                ],
            })

    layer = {
        "name": f"{group_name} TTP-Abdeckung",
        "versions": {"attack": "16.1", "navigator": "5.1.0", "layer": "4.5"},
        "domain": "enterprise-attack",
        "description": f"{group_name} zugeschriebene Techniken",
        "filters": {
            "platforms": ["Linux", "macOS", "Windows", "Cloud",
                          "Azure AD", "Office 365", "SaaS", "Google Workspace"]
        },
        "sorting": 0,
        "layout": {
            "layout": "side", "aggregateFunction": "average",
            "showID": True, "showName": True,
            "showAggregateScores": False, "countUnscored": False,
        },
        "hideDisabled": False,
        "techniques": techniques_list,
        "gradient": {"colors": ["#ffffff", color], "minValue": 0, "maxValue": 100},
        "legendItems": [
            {"label": f"Verwendet von {group_name}", "color": color},
            {"label": "Nicht beobachtet", "color": "#ffffff"},
        ],
        "showTacticRowBackground": True,
        "tacticRowBackground": "#dddddd",
        "selectTechniquesAcrossTactics": True,
        "selectSubtechniquesWithParent": False,
        "selectVisibleTechniques": False,
    }
    return layer

layer = create_navigator_layer("APT29", technique_map)
with open("apt29_layer.json", "w") as f:
    json.dump(layer, f, indent=2)
print("[+] Layer gespeichert: apt29_layer.json")

Schritt 3: Mehrere APT-Gruppen vergleichen

groups_to_compare = {"G0016": "APT29", "G0007": "APT28", "G0032": "Lazarus Group"}
group_techniques = {}

for gid, gname in groups_to_compare.items():
    techs = lift.get_techniques_used_by_group(gid)
    tech_ids = set()
    for t in techs:
        for ref in t.get("external_references", []):
            if ref.get("source_name") == "mitre-attack":
                tech_ids.add(ref.get("external_id", ""))
    group_techniques[gname] = tech_ids

common_to_all = set.intersection(*group_techniques.values())
print(f"Allen Gruppen gemeinsame Techniken: {len(common_to_all)}")
for tid in sorted(common_to_all):
    print(f"  {tid}")

for gname, techs in group_techniques.items():
    others = set.union(*[t for n, t in group_techniques.items() if n != gname])
    unique = techs - others
    print(f"\nEinzigartig für {gname}: {len(unique)} Techniken")

Schritt 4: Erkennungslückenanalyse mit Layer-Overlay

# Definieren Sie Ihre aktuellen Erkennungsfähigkeiten
detected_techniques = {
    "T1059", "T1059.001", "T1071", "T1071.001", "T1566", "T1566.001",
    "T1547", "T1547.001", "T1053", "T1053.005", "T1078", "T1027",
}

actor_techniques = set(technique_map.keys())
covered = actor_techniques.intersection(detected_techniques)
gaps = actor_techniques - detected_techniques

print(f"=== Erkennungslückenanalyse für APT29 ===")
print(f"Akteur-Techniken: {len(actor_techniques)}")
print(f"Erkannt: {len(covered)} ({len(covered)/len(actor_techniques)*100:.0f}%)")
print(f"Lücken: {len(gaps)} ({len(gaps)/len(actor_techniques)*100:.0f}%)")

# Lücken-Layer erstellen (rot = unentdeckt, grün = entdeckt)
gap_techniques = []
for tech_id in actor_techniques:
    info = technique_map.get(tech_id, {})
    for tactic in info.get("tactics", [""]):
        color = "#66ff66" if tech_id in detected_techniques else "#ff3333"
        gap_techniques.append({
            "techniqueID": tech_id,
            "tactic": tactic,
            "color": color,
            "comment": f"{'ERKANNT' if tech_id in detected_techniques else 'LÜCKE'}: {info.get('name', '')}",
            "enabled": True,
            "score": 100 if tech_id in detected_techniques else 0,
        })

gap_layer = {
    "name": "APT29 Erkennungslückenanalyse",
    "versions": {"attack": "16.1", "navigator": "5.1.0", "layer": "4.5"},
    "domain": "enterprise-attack",
    "description": "Grün = erkannt, Rot = Lücke",
    "techniques": gap_techniques,
    "gradient": {"colors": ["#ff3333", "#66ff66"], "minValue": 0, "maxValue": 100},
    "legendItems": [
        {"label": "Erkannt", "color": "#66ff66"},
        {"label": "Erkennungslücke", "color": "#ff3333"},
    ],
}
with open("apt29_gap_layer.json", "w") as f:
    json.dump(gap_layer, f, indent=2)

Schritt 5: Taktik-Aufschlüsselungsanalyse

from collections import defaultdict

tactic_breakdown = defaultdict(list)
for tech_id, info in technique_map.items():
    for tactic in info["tactics"]:
        tactic_breakdown[tactic].append({"id": tech_id, "name": info["name"]})

tactic_order = [
    "reconnaissance", "resource-development", "initial-access",
    "execution", "persistence", "privilege-escalation",
    "defense-evasion", "credential-access", "discovery",
    "lateral-movement", "collection", "command-and-control",
    "exfiltration", "impact",
]

print("\n=== APT29 Taktik-Aufschlüsselung ===")
for tactic in tactic_order:
    techs = tactic_breakdown.get(tactic, [])
    if techs:
        print(f"\n{tactic.upper()} ({len(techs)} Techniken):")
        for t in techs:
            print(f"  {t['id']}: {t['name']}")

Validierungskriterien

• ATT&CK-Daten erfolgreich über TAXII-Server abgefragt
• APT-Gruppe auf alle dokumentierten Techniken mit Verfahrensbeispielen abgebildet
• Navigator-Layer-JSON validiert und korrekt in ATT&CK Navigator dargestellt
• Multi-Layer-Overlay zeigt Bedrohungsakteur vs. Erkennungsabdeckung
• Erkennungslückenanalyse identifiziert nicht überwachte Techniken mit Datenquellenempfehlungen
• Gruppenvergleich zeigt gemeinsame und einzigartige TTPs
• Ausgabe ist umsetzbar für die Priorisierung der Erkennungsentwicklung

Referenzen

• MITRE ATT&CK Navigator
• ATT&CK Gruppen
• attackcti Python Bibliothek
• Navigator Layer Format v4.5
• CISA Best Practices für MITRE ATT&CK Mapping
• Picus: MITRE ATT&CK für Bedrohungsintelligenz nutzen