Communitygithub.com

análisis-de-abuso-de-acl-en-active-directory

Detecta configuraciones peligrosas de ACL en Active Directory usando ldap3

¿Qué es análisis-de-abuso-de-acl-en-active-directory?

Esta habilidad permite analizar y detectar configuraciones erróneas peligrosas en las Listas de Control de Acceso (ACL) de Active Directory, un aspecto crítico en la seguridad de entornos Windows. Utiliza la biblioteca Python ldap3 para conectarse a un Controlador de Dominio, consultar objetos y analizar su descriptor de seguridad (nTSecurityDescriptor), parseándolo a formato SDDL. Luego examina cada Entrada de Control de Acceso (ACE) para identificar permisos peligrosos como GenericAll (control total), WriteDACL (modificar permisos), WriteOwner (tomar propiedad) y GenericWrite (modificar atributos) que estén otorgados a usuarios o grupos no administrativos. Es útil para equipos de seguridad, analistas SOC y desarrolladores de herramientas de detección, ya que permite mapear rutas de ataque similares a las que descubre BloodHound y generar reportes de remediación. Funciona en cualquier sistema con Python 3.9+ y acceso LDAP al dominio.

Compatible con~Claude Code~Codex CLI~Cursor
npx skills add https://github.com/mukul975/Anthropic-Cybersecurity-Skills/tree/main/skills/analyzing-active-directory-acl-abuse

Preguntar en tu IA favorita

Abre un nuevo chat con esta habilidad de agente ya precargada.

Documentación

Análisis de Abuso de ACL en Active Directory

Resumen

Las Listas de Control de Acceso (ACL) de Active Directory definen permisos sobre objetos de AD a través de Listas de Control de Acceso Discrecionales (DACL) que contienen Entradas de Control de Acceso (ACE). Las ACE mal configuradas pueden otorgar a usuarios no privilegiados permisos peligrosos como GenericAll (control total), WriteDACL (modificar permisos), WriteOwner (tomar propiedad) y GenericWrite (modificar atributos) sobre objetos sensibles como grupos de Administradores de Dominio, controladores de dominio o GPO.

Esta habilidad utiliza la biblioteca Python ldap3 para conectarse a un Controlador de Dominio, consultar objetos con su atributo nTSecurityDescriptor, analizar el descriptor de seguridad binario a formato SDDL (Security Descriptor Definition Language) e identificar ACE que otorgan permisos peligrosos a entidades no administrativas. Estas configuraciones erróneas son la base de las rutas de ataque basadas en ACL descubiertas por herramientas como BloodHound.

Cuándo Usarlo

  • Cuando se investigan incidentes de seguridad que requieren analizar abusos de ACL en Active Directory
  • Cuando se construyen reglas de detección o consultas de caza de amenazas para este dominio
  • Cuando los analistas del SOC necesitan procedimientos estructurados para este tipo de análisis
  • Cuando se valida la cobertura de monitoreo de seguridad para técnicas de ataque relacionadas

Prerrequisitos

  • Python 3.9 o posterior con la biblioteca ldap3 (pip install ldap3)
  • Credenciales de usuario de dominio con acceso de lectura a objetos de AD
  • Conectividad de red al Controlador de Dominio en el puerto 389 (LDAP) o 636 (LDAPS)
  • Comprensión del modelo de seguridad de Active Directory y el formato SDDL

Pasos

  1. Conectar al Controlador de Dominio: Establecer una conexión LDAP usando ldap3 con autenticación NTLM o simple. Usar LDAPS (puerto 636) para conexiones cifradas en producción.

  2. Consultar objetos objetivo: Buscar en la OU objetivo o en todo el dominio objetos que incluyan usuarios, grupos, equipos y OUs. Solicitar los atributos nTSecurityDescriptor, distinguishedName, objectClass y sAMAccountName.

  3. Analizar descriptores de seguridad: Convertir el nTSecurityDescriptor binario a su representación de cadena SDDL. Analizar cada ACE en la DACL para extraer el SID del fiduciario, la máscara de acceso y el tipo de ACE (permitir/denegar).

  4. Resolver SIDs a entidades: Mapear los identificadores de seguridad (SID) a nombres de cuenta legibles por humanos mediante consultas LDAP al dominio. Identificar SIDs conocidos para grupos integrados.

  5. Verificar permisos peligrosos: Comparar la máscara de acceso de cada ACE con las máscaras de bits de permisos peligrosos: GenericAll (0x10000000), WriteDACL (0x00040000), WriteOwner (0x00080000), GenericWrite (0x40000000) y WriteProperty para derechos extendidos específicos.

  6. Filtrar fiduciarios administrativos: Excluir los fiduciarios administrativos esperados (Administradores de Dominio, Administradores de Empresa, SYSTEM, Administradores) y marcar las ACE donde usuarios o grupos no privilegiados tengan permisos peligrosos.

  7. Mapear rutas de ataque: Para cada hallazgo, documentar la cadena de ataque potencial (ej., GenericAll sobre un usuario permite restablecer contraseña, WriteDACL sobre un grupo permite agregarse a sí mismo al grupo).

  8. Generar informe de remediación: Generar un informe JSON con todas las ACE peligrosas, objetos afectados, fiduciarios no administrativos y pasos de remediación recomendados.

Salida Esperada

{
  "domain": "corp.example.com",
  "objects_scanned": 1247,
  "dangerous_aces_found": 8,
  "findings": [
    {
      "severity": "critical",
      "target_object": "CN=Domain Admins,CN=Users,DC=corp,DC=example,DC=com",
      "target_type": "group",
      "trustee": "CORP\\helpdesk-team",
      "permission": "GenericAll",
      "access_mask": "0x10000000",
      "ace_type": "ACCESS_ALLOWED",
      "attack_path": "GenericAll sobre el grupo Domain Admins permite agregar miembros arbitrarios",
      "remediation": "Eliminar la ACE GenericAll para helpdesk-team en Domain Admins"
    }
  ]
}

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-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,

analyzing-docker-container-forensics

Investigate compromised Docker containers by analyzing images, layers,

Skills relacionados