Communitygithub.com

Indikatoren-der-Kompromittierung analysieren

Analysiert Indikatoren der Kompromittierung (IOCs) wie IP-Adressen, Domains, Datei-Hashes und URLs mit Multi-Quellen-Anreicherung und Vertrauensbewertung.

Was ist Indikatoren-der-Kompromittierung analysieren?

Diese Fähigkeit ermöglicht die automatisierte Analyse und Bewertung von Indikatoren der Kompromittierung (IOCs) wie IP-Adressen, Domains, URLs, Datei-Hashes und E-Mail-Adressen. Sie normalisiert und klassifiziert die IOCs, reichert sie mit Daten aus VirusTotal, AbuseIPDB, MalwareBazaar und MISP an und weist eine fundierte Vertrauensbewertung zu. Die Fähigkeit hilft Sicherheitsanalysten, Phishing-Mails und Sicherheitswarnungen schnell zu priorisieren, indem sie Kontext wie AV-Erkennungsraten, Abuse-Confidence-Scores und Kampagnenzuordnungen bereitstellt. Sie unterstützt die gängigsten SOAR-Plattformen und Python-Skripte und ist für den Einsatz in Incident-Response-Workflows optimiert. Ein besonderer Schwerpunkt liegt auf der Vermeidung von Fehlalarmen durch die Berücksichtigung von gemeinsam genutzter Infrastruktur (CDNs, Cloud-Anbieter) und der Implementierung von IOC-Verfallsrichtlinien.

Funktioniert mit~Claude Code~Codex CLI~Cursor
npx skills add https://github.com/mukul975/Anthropic-Cybersecurity-Skills/tree/main/skills/analyzing-indicators-of-compromise

In Ihrer bevorzugten KI fragen

Öffnet einen neuen Chat, in dem dieser Agent-Skill bereits geladen ist.

Dokumentation

Indikatoren der Kompromittierung analysieren

Wann verwenden

Verwenden Sie diese Fähigkeit, wenn:

  • Eine Phishing-E-Mail oder ein Alarm IOCs (URLs, IP-Adressen, Datei-Hashes) generiert, die eine schnelle Triage erfordern
  • Automatisierte Feeds Massen-IOCs liefern, die vor der Aufnahme in Blockierregeln eine Vertrauensbewertung benötigen
  • Eine Incident-Untersuchung eine kontextuelle Anreicherung beobachteter Netzwerkartefakte erfordert

Verwenden Sie diese Fähigkeit nicht isoliert für sicherheitskritische Blockierungsentscheidungen – kombinieren Sie die automatisierte Anreicherung immer mit der Bewertung durch Analysten, insbesondere bei gemeinsam genutzter Infrastruktur (CDNs, Cloud-Anbieter).

Voraussetzungen

  • VirusTotal-API-Schlüssel (kostenlos oder Enterprise) für Multi-AV- und Sandbox-Abfragen
  • AbuseIPDB-API-Schlüssel für IP-Reputationsprüfungen
  • MISP-Instanz oder TIP für den Abgleich mit bekannten Kampagnen
  • Python mit den Bibliotheken requests und vt-py oder eine SOAR-Plattform mit vorgefertigten Konnektoren

Arbeitsablauf

Schritt 1: Normalisieren und Klassifizieren der IOC-Typen

Klassifizieren Sie vor der Anreicherung jeden IOC:

  • IPv4/IPv6-Adresse: Prüfen, ob RFC 1918 privat (externe Anreicherung überspringen), Format validieren
  • Domain/FQDN: Defangen für die sichere Handhabung (evil[.]com), registrierte Domain via tldextract extrahieren
  • URL: Domain + Pfad getrennt extrahieren; auf Redirectoren prüfen
  • Datei-Hash: Hash-Typ identifizieren (MD5/SHA-1/SHA-256); SHA-256 für Eindeutigkeit bevorzugen
  • E-Mail-Adresse: In Domain (MX/DMARC prüfen) und lokalen Teil für Musteranalyse aufteilen

Defangen Sie IOCs in der Dokumentation (ersetzen Sie . durch [.] und :// durch [://]), um versehentliche Klicks zu verhindern.

Schritt 2: Multi-Quellen-Anreicherung

VirusTotal (Datei-Hash, URL, IP, Domain):

import vt

client = vt.Client("YOUR_VT_API_KEY")

# Datei-Hash-Abfrage
file_obj = client.get_object(f"/files/{sha256_hash}")
detections = file_obj.last_analysis_stats
print(f"Bösartig: {detections['malicious']}/{sum(detections.values())}")

# Domain-Analyse
domain_obj = client.get_object(f"/domains/{domain}")
print(domain_obj.last_analysis_stats)
print(domain_obj.reputation)
client.close()

AbuseIPDB (IP-Adressen):

import requests

response = requests.get(
    "https://api.abuseipdb.com/api/v2/check",
    headers={"Key": "YOUR_KEY", "Accept": "application/json"},
    params={"ipAddress": "1.2.3.4", "maxAgeInDays": 90}
)
data = response.json()["data"]
print(f"Vertrauenswert: {data['abuseConfidenceScore']}%, Meldungen: {data['totalReports']}")

MalwareBazaar (Datei-Hashes):

response = requests.post(
    "https://mb-api.abuse.ch/api/v1/",
    data={"query": "get_info", "hash": sha256_hash}
)
result = response.json()
if result["query_status"] == "ok":
    print(result["data"][0]["tags"], result["data"][0]["signature"])

Schritt 3: Kontextualisierung mit Kampagnenzuordnung

Durchsuchen Sie MISP nach vorhandenen Ereignissen, die mit dem IOC übereinstimmen:

from pymisp import PyMISP

misp = PyMISP("https://misp.example.com", "API_KEY")
results = misp.search(value="evil-domain.com", type_attribute="domain")
for event in results:
    print(event["Event"]["info"], event["Event"]["threat_level_id"])

Überprüfen Sie Shodan für IP-Kontext (Hosting-Anbieter, offene Ports, Banner), um zu identifizieren, ob die IP zu einem Bulletproof-Hosting oder einem legitimen Cloud-Anbieter gehört (Fehlalarmrisiko).

Schritt 4: Vertrauensbewertung und Disposition zuweisen

Wenden Sie ein abgestuftes Entscheidungsrahmenwerk an:

  • Blockieren (Hohe Vertrauenswürdigkeit ≥ 70%): ≥15 AV-Erkennungen auf VT, AbuseIPDB-Score ≥70, Übereinstimmung mit bekannter Malware-Familie oder Kampagne
  • Überwachen/Alarmieren (Mittel 40–69%): 5–14 AV-Erkennungen, moderater AbuseIPDB-Score, keine Kampagnenzuordnung
  • Whitelisten/Untersuchen (Niedrig <40%): ≤4 AV-Erkennungen, keine Missbrauchsmeldungen, legitimer Dienst (Google, Cloudflare CDN-IPs)
  • Fehlalarm: Legitimer Geschäftsdienst fälschlicherweise gekennzeichnet; dokumentieren und von zukünftigen Alarmen ausschließen

Schritt 5: Dokumentieren und Verteilen

Ergebnisse in TIP/MISP erfassen mit:

  • Allen gesammelten Anreicherungsdaten (Zeitstempel, Quelle, Punktzahl)
  • Dispositionsentscheidung und Begründung
  • Durchgeführten Blockierungsmaßnahmen (Firewall, Proxy, DNS-Sinkhole)
  • Zugehöriger Incident-Ticketnummer

In STIX-Indikatorobjekt exportieren, wobei das Vertrauensfeld entsprechend gesetzt wird.

Schlüsselkonzepte

BegriffDefinition
IOCIndikator der Kompromittierung – beobachtbares Netzwerk- oder Host-Artefakt, das auf eine mögliche Kompromittierung hinweist
AnreicherungProzess des Hinzufügens kontextueller Daten zu einem rohen IOC aus mehreren Intelligence-Quellen
DefangenModifizieren von IOCs (Ersetzen von . durch [.]), um eine versehentliche Aktivierung in der Dokumentation zu verhindern
FehlalarmrateProzentsatz gutartiger Artefakte, die fälschlicherweise als bösartig gekennzeichnet wurden; entscheidend für die Feinabstimmung von Blockierungsschwellenwerten
SinkholeDNS-Server, der bösartige Domain-Abfragen zu einer gutartigen IP umleitet, um eine Erkennung zu ermöglichen, ohne den gesamten Datenverkehr zu blockieren
TTLTime-to-Live für einen IOC in Blockierungsmechanismen; IP-Indikatoren sollten nach 30 Tagen, Domains nach 90 Tagen verfallen

Tools und Systeme

  • VirusTotal: Multi-Engine-Malware-Scanner und Threat-Intelligence-Plattform mit über 70 AV-Engines, Sandbox-Berichten und Community-Kommentaren
  • AbuseIPDB: Von der Community gepflegte IP-Reputationsdatenbank mit 90-tägigem Missbrauchsberichtsverlauf
  • MalwareBazaar (abuse.ch): Kostenloses Malware-Hash-Repository mit YARA-Regelzuordnungen und Malware-Familien-Tagging
  • URLScan.io: Kostenloser URL-Analysedienst, der Screenshots, DOM und Netzwerkanfragen für die Phishing-URL-Triage erfasst
  • Shodan: Internetweite Scandaten, die Hosting-Anbieter, offene Ports und Bannerinformationen für die IP-Anreicherung bereitstellen

Häufige Fallstricke

  • Blockieren gemeinsam genutzter Infrastruktur: CDN-IPs (Cloudflare 104.21.x.x, AWS CloudFront) können legitimerweise bösartige Inhalte hosten, aber das Blockieren der IP stört Tausende legitimer Websites.
  • VT-Score-Besessenheit: Eine niedrige VT-Erkennungszahl bedeutet nicht gutartig – Zero-Day-Malware und benutzerdefinierte APT-Tools erzielen oft anfangs 0 Punkte. Überprüfen Sie Sandbox-Verhalten, MISP und passives DNS.
  • Fehlendes Defangen: Das Einfügen von Live-IOCs in E-Mails oder Confluence-Dokumente kann automatisierte URL-Scanner oder Phishing-Tools auslösen.
  • Keine Verfallsrichtlinie: IOCs ohne TTLs sammeln sich unbegrenzt in Blocklisten an und erzeugen Fehlalarme, wenn die Infrastruktur von legitimen Benutzern wiederverwendet wird.
  • Übermäßiges Vertrauen auf eine einzige Quelle: VirusTotal aggregiert AV-Meinungen – alle können falsch sein oder hinter aufkommender Malware zurückbleiben. Verwenden Sie 3+ unabhängige Quellen für sicherheitskritische Entscheidungen.

Individual skills in this repo

This repo contains 20 individual skills — each has its own dedicated page.

abusing-dpapi-for-credential-access

Extract and decrypt Windows DPAPI-protected secrets (Credential Manager, browser logins/cookies, Wi-Fi credentials, KeePass keys) online or offline using SharpDPAPI, SharpChrome, Mimikatz, or Impacket

abusing-shadow-credentials-for-privesc

Take over Active Directory accounts by writing attacker-controlled public keys to msDS-KeyCredentialLink (Shadow Credentials) with pyWhisker, Whisker, or Certipy, then authenticate via PKINIT to recover the target

achieving-cmmc-level-2-compliance

>-

acquiring-disk-image-with-dd-and-dcfldd

Create forensically sound bit-for-bit disk images with dd or dcfldd on a Linux forensic workstation, preserving evidence integrity through hash verification (MD5/SHA) during acquisition. Use when imaging a suspect drive, USB device, or memory card for investigation, preserving volatile disk evidence during incident response, or producing a verified copy for legal or law-enforcement proceedings before any destructive analysis.

analyzing-active-directory-acl-abuse

Detect dangerous ACL misconfigurations in Active Directory using ldap3

analyzing-android-malware-with-apktool

Perform static analysis of Android APK malware using apktool for resource decompilation, jadx for Java source recovery, and androguard for manifest inspection, dangerous permission-combination detection, and identification of obfuscated code, dynamic code loading, and reflection-based API calls. Use to statically triage a suspicious APK without executing it or to build mobile malware detection rules.

analyzing-api-gateway-access-logs

Parses API Gateway access logs (AWS API Gateway, Kong, Nginx) to detect

analyzing-apt-group-with-mitre-navigator

Query ATT&CK data with attackcti, mitreattack-python, and stix2, then build MITRE ATT&CK Navigator layers and multi-layer heatmap overlays mapping one or more APT groups

analyzing-azure-activity-logs-for-threats

Queries Azure Monitor activity logs and sign-in logs via azure-monitor-query

analyzing-bootkit-and-rootkit-samples

Analyzes bootkit and advanced rootkit malware infecting the Master

analyzing-browser-forensics-with-hindsight

Parse Chromium-based browser databases with Hindsight to extract and correlate browsing history, downloads, cookies, cached content, autofill data, saved passwords, and extensions from Chrome, Edge, Brave, Opera, and Vivaldi into a unified timeline (XLSX, JSON, or SQLite output). Use during incident response, insider-threat investigations, or criminal cases when you need to reconstruct a user

analyzing-campaign-attribution-evidence

Systematically evaluate cyber-campaign evidence to attribute an operation to a threat actor, using the Diamond Model and Analysis of Competing Hypotheses (ACH) to weigh infrastructure overlaps, TTP consistency, malware code similarity, and timing/language artifacts into confidence-weighted attribution assessments. Use when an incident investigation needs a defensible attribution confidence level.

analyzing-certificate-transparency-for-phishing

Monitor Certificate Transparency logs using crt.sh and Certstream to

analyzing-cloud-storage-access-patterns

Detect abnormal access in AWS S3, GCS, and Azure Blob Storage by analyzing CloudTrail Data Events, GCS audit logs, and Azure Storage Analytics for after-hours bulk downloads, new-IP access, and API-call spikes (e.g. GetObject) via statistical baselines and time-series anomaly detection. Use when investigating suspected cloud data exfiltration or building related detection rules.

analyzing-cobalt-strike-beacon-configuration

Extract and analyze Cobalt Strike beacon configuration from PE files

analyzing-cobaltstrike-malleable-c2-profiles

Parse and analyze Cobalt Strike Malleable C2 profiles with dissect.cobaltstrike (profiles and beacon-payload configs) and pyMalleableC2 (AST parsing) to extract HTTP/DNS transforms, URIs, headers, sleep/jitter, and injection behavior, then generate network detection signatures. Use when reverse-engineering a captured malleable profile or building detections against Cobalt Strike Beacon traffic.

analyzing-command-and-control-communication

Analyzes malware C2 communication over HTTP, HTTPS, DNS, and custom

analyzing-cyber-kill-chain

Analyzes intrusion activity against the Lockheed Martin Cyber Kill Chain

analyzing-disk-image-with-autopsy

Perform comprehensive forensic analysis of raw (dd), E01, or AFF disk images with Autopsy and The Sleuth Kit, recovering deleted files, examining metadata and embedded artifacts, keyword searching, and building investigation timelines with visual reports. Use for structured analysis of a forensic disk image or when stakeholders need visual reports from evidence.

analyzing-dns-logs-for-exfiltration

Analyzes DNS query logs to detect data exfiltration via DNS tunneling,

Verwandte Skills