Communitygithub.com

Bedrohungsinformationen analysieren

Analysiert strukturierte und unstrukturierte Bedrohungsdatenquellen, um relevante Indikatoren zu extrahieren und zu normalisieren.

Was ist Bedrohungsinformationen analysieren?

Diese Fähigkeit ist speziell für die systematische Verarbeitung und Bewertung von Bedrohungsdatenquellen (Threat Intelligence Feeds) entwickelt worden. Sie unterstützt Analysten und Sicherheitsteams dabei, kommerzielle und Open-Source-Informationen (OSINT) zu erfassen, ihre Signal-Rausch-Verhältnisse zu bewerten und heterogene Indikatorformate (wie STIX 2.1, OpenIOC, YARA oder Sigma) in ein einheitliches Schema zu normalisieren. Die Fähigkeit eignet sich für Plattformen wie ThreatConnect, MISP oder OpenCTI und verwendet Standards wie TAXII 2.1 für den Datenaustausch. Nutzer können damit Feeds nach Aktualität, Genauigkeit und Relevanz für ihr Unternehmen gewichten, Indikatoren deduplizieren, mit externen Quellen (z. B. VirusTotal oder PassiveTotal) anreichern und schließlich an SIEM- (Splunk, Microsoft Sentinel) oder EDR-Systeme verteilen. Die KI-Anleitung enthält klare Arbeitsschritte, wichtige Fachbegriffe (wie Confidence Score, TLP oder Feed Fidelity) sowie Warnungen vor häufigen Fallstricken wie veralteten Indikatoren oder Verstößen gegen den Traffic Light Protocol (TLP).

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

In Ihrer bevorzugten KI fragen

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

Dokumentation

Analysieren von Bedrohungsdatenquellen (Threat Intelligence Feeds)

Wann verwenden

Verwenden Sie diese Fähigkeit, wenn:

  • Sie neue kommerzielle oder OSINT-Bedrohungsdatenquellen aufnehmen und deren Signal-Rausch-Verhältnis bewerten möchten
  • Sie heterogene IOC-Formate (STIX 2.1, OpenIOC, YARA, Sigma) in ein einheitliches Schema normalisieren müssen
  • Sie die Aktualität, Zuverlässigkeit und Relevanz von Datenquellen für das Bedrohungsprofil Ihrer Organisation bewerten
  • Sie automatisierte Anreicherungspipelines aufbauen, die IOCs mit SIEM-Ereignissen korrelieren

Verwenden Sie diese Fähigkeit nicht für die Analyse von Rohdatenpaketen oder die Live-Vorfalluntersuchung, bevor nicht eine CTI-Basislinie erstellt wurde.

Voraussetzungen

  • Zugang zu einer Threat Intelligence Platform (TIP) wie ThreatConnect, MISP oder OpenCTI
  • API-Schlüssel für mindestens einen kommerziellen Feed (Recorded Future, Mandiant Advantage oder VirusTotal Enterprise)
  • TAXII 2.1-Client-Bibliothek (taxii2-client Python-Paket oder gleichwertig)
  • Rolle mit Lese-/Schreibberechtigungen für die Indikatorendatenbank des TIP

Arbeitsablauf

Schritt 1: Quellen auflisten und priorisieren

Listen Sie alle verfügbaren Datenquellen kategorisiert nach Typ (kommerziell, behördlich, ISAC, OSINT):

  • Kommerziell: Recorded Future, Mandiant Advantage, CrowdStrike Falcon Intelligence
  • Behördlich: CISA AIS (Automated Indicator Sharing), FBI InfraGard, MS-ISAC
  • OSINT: AlienVault OTX, Abuse.ch, PhishTank, Emerging Threats

Bewerten Sie jeden Feed nach: Aktualisierungshäufigkeit, historischer Genauigkeitsrate, Abdeckung Ihres Sektors und Tiefe der Zuordnung. Verwenden Sie eine gewichtete Bewertungsmatrix mit Kriterien aus NIST SP 800-150 (Guide to Cyber Threat Information Sharing).

Schritt 2: Erfassen über TAXII 2.1 oder API

Für TAXII-fähige Feeds:

taxii2-client discover https://feed.example.com/taxii/
taxii2-client get-collection --collection-id <id> --since 2024-01-01

Für REST-API-Feeds (z. B. Recorded Future):

  • Abfragen von /v2/indicator/search mit risk_score_min=65, um IOCs mit niedriger Vertrauenswürdigkeit zu filtern
  • Ratenbegrenzung und exponentielles Backoff für API-Resilienz anwenden

Schritt 3: Auf STIX 2.1 normalisieren

Konvertieren Sie jedes IOC in STIX 2.1-Objekte unter Verwendung des OASIS-Standardschemas:

  • IP-Adresse → indicator-Objekt mit pattern: "[ipv4-addr:value = '...']"
  • Domain → indicator mit pattern: "[domain-name:value = '...']"
  • Datei-Hash → indicator mit pattern: "[file:hashes.SHA-256 = '...']"

Fügen Sie relationship-Objekte hinzu, die Indikatoren mit threat-actor- oder malware-Objekten verknüpfen. Verwenden Sie das confidence-Feld (0–100) basierend auf der Zuverlässigkeitsbewertung der Quelle.

Schritt 4: Deduplizieren und anreichern

Führen Sie eine Deduplizierung gegen die bestehende TIP-Datenbank durch, wobei normalisierter Wert und Typ als zusammengesetzter Schlüssel dienen. Reichern Sie verbleibende IOCs an:

  • VirusTotal: Erkennungsrate, Sandbox-Verhaltensberichte
  • PassiveTotal (RiskIQ): WHOIS-Verlauf, passives DNS, SSL-Zertifikatsketten
  • Shodan: Bannerdaten, offene Ports, geografische Lage

Schritt 5: An verarbeitende Systeme verteilen

Exportieren Sie angereicherte Indikatoren per TAXII 2.1-Push an SIEM (Splunk, Microsoft Sentinel), Firewalls (Palo Alto XSOAR-Playbooks) und EDR-Plattformen. Legen Sie TTL (Time-to-Live) pro Indikatortyp fest: IP-Adressen 30 Tage, Domains 90 Tage, Datei-Hashes 1 Jahr.

Wichtige Konzepte

BegriffDefinition
STIX 2.1Structured Threat Information Expression – OASIS-Standard-JSON-Schema für CTI-Objekte einschließlich Indikatoren, Bedrohungsakteuren, Kampagnen und Beziehungen
TAXII 2.1Trusted Automated eXchange of Intelligence Information – HTTPS-basiertes Protokoll zum Austausch von STIX-Inhalten zwischen Servern und Clients
IOCIndicator of Compromise – beobachtbares Artefakt (IP, Domain, Hash, URL), das auf eine mögliche Kompromittierung eines Systems hinweist
TLPTraffic Light Protocol – farbcodierte Klassifizierung (ROT/GELB/GRÜN/WEISS), die Weitergabebeschränkungen für CTI definiert
Confidence ScoreNumerischer Wert (0–100 in STIX), der die Sicherheit des Erstellers hinsichtlich der böswilligen Zuordnung eines Indikators widerspiegelt
Feed FidelityHistorische Genauigkeitsrate eines Feeds, gemessen an der True-Positive-Rate bei Produktionserkennungen

Werkzeuge und Systeme

  • ThreatConnect TC Exchange: Aggregiert 100+ kommerzielle und OSINT-Feeds; bietet automatisierte Playbooks zur IOC-Anreicherung
  • MISP (Malware Information Sharing Platform): Open-Source-TIP mit STIX/TAXII-Unterstützung; weit verbreitet bei ISACs und behördlichen CERTs
  • OpenCTI: Open-Source-Plattform mit nativer MITRE ATT&CK-Integration und graphbasierter Beziehungsvisualisierung
  • Recorded Future: Kommerzieller Feed mit KI-gestützter Risikobewertung und Echtzeit-Überwachung des Darknets
  • taxii2-client: Python-Bibliothek für TAXII 2.0/2.1-Client-Operationen (pip install taxii2-client)
  • PyMISP: Python-API für MISP-Feed-Verwaltung und IOC-Übermittlung

Häufige Fallstricke

  • Veraltete IOCs: IP-Adressen und Domains wechseln häufig; die Verwendung ein Jahr alter IOCs erzeugt Fehlalarme. Setzen Sie TTL-Richtlinien durch.
  • Fehlender Kontext: Das Blockieren eines IOCs ohne Verständnis der zugehörigen Kampagne oder des Gegners kann legitimen Geschäftsverkehr beeinträchtigen (z. B. CDN-IPs, die mit böswilligen Akteuren geteilt werden).
  • Überlappung ohne Deduplizierung: Das Aufnehmen desselben IOCs aus fünf Quellen ohne Deduplizierung bläht die Indikatoranzahl und die SIEM-Regelkomplexität auf.
  • TLP-Verstoß: Die Weitergabe von ROT-klassifizierten Informationen außerhalb der autorisierten Grenzen verletzt Sharing-Vereinbarungen und Vertrauensbeziehungen.
  • Übermäßiges Blockieren bei niedriger Vertrauenswürdigkeit: Indikatoren mit einer Vertrauenswürdigkeit unter 50 sollten nur Erkennungsregeln auslösen, nicht blockieren, um Betriebsstörungen zu vermeiden.

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