Communitygithub.com

Analyse des profils CobaltStrike Malleable C2

Analysez les profils Malleable C2 de Cobalt Strike avec dissect.cobaltstrike (profils et configurations de payloads Beacon) et pyMalleableC2 (analyse AST) pour extraire les transformations HTTP/DNS, URI, en-têtes, sleep/jitter et le comportement d'injection, puis générez des signatures de détection réseau.

Qu'est-ce que Analyse des profils CobaltStrike Malleable C2 ?

Cette compétence permet aux analystes SOC et aux équipes de sécurité de décortiquer les profils Malleable C2 de Cobalt Strike, un langage spécifique au domaine utilisé par les acteurs malveillants pour personnaliser les communications Beacon. Elle s'appuie sur deux bibliothèques Python : `dissect.cobaltstrike` pour l'analyse de profils et l'extraction de configurations à partir de payloads, et `pyMalleableC2` pour une manipulation programmatique via l'analyse AST (arbre syntaxique abstrait). L'utilisateur peut ainsi extraire des indicateurs réseau clés : URI, en-têtes HTTP, chaînes User-Agent, paramètres de sleep/jitter, configurations DNS et techniques d'injection de processus. Le résultat final est un rapport JSON structuré contenant les indicateurs de compromission (IOC) et des signatures de détection compatibles avec Suricata/Snort. Cette compétence est utile pour le reverse-engineering de profils capturés, la construction de règles de détection contre le trafic Cobalt Strike Beacon, ou la validation de la couverture de surveillance. Elle est compatible avec les environnements Python 3.9+ et les outils d'analyse réseau courants.

Compatible avec~Claude Code~Codex CLI~Cursor
npx skills add https://github.com/mukul975/Anthropic-Cybersecurity-Skills/tree/main/skills/analyzing-cobaltstrike-malleable-c2-profiles

Demander à votre IA préférée

Ouvre une nouvelle conversation avec cette compétence d'agent déjà préchargée.

Documentation

Que fait Analyse des profils CobaltStrike Malleable C2 ?

Présentation

Les profils Malleable C2 de Cobalt Strike sont des scripts dans un langage spécifique au domaine qui personnalisent la communication entre Beacon et le serveur d'équipe. Ils définissent les transformations des requêtes/réponses HTTP, les intervalles de sleep, les valeurs de jitter, les User-Agent, les chemins d'URI et les comportements d'injection de processus. Les acteurs malveillants utilisent les profils Malleable pour déguiser le trafic C2 en services légitimes (Amazon, Google, Slack). L'analyse de ces profils révèle des indicateurs réseau pour la détection : motifs URI, en-têtes HTTP, transformations POST/GET, paramètres DNS et techniques d'injection de processus. La bibliothèque dissect.cobaltstrike peut analyser à la fois les fichiers de profil et extraire les configurations des payloads Beacon, tandis que pyMalleableC2 offre une analyse basée sur AST utilisant la grammaire Lark pour la manipulation et la validation programmatique des profils.

Quand utiliser

  • Lors d'enquêtes sur des incidents de sécurité nécessitant l'analyse de profils Malleable C2 de CobaltStrike
  • Lors de la construction de règles de détection ou de requêtes de threat hunting pour ce domaine
  • Lorsque les analystes SOC ont besoin de procédures structurées pour ce type d'analyse
  • Lors de la validation de la couverture de surveillance pour les techniques d'attaque associées

Prérequis

  • Python 3.9+ avec dissect.cobaltstrike et/ou pyMalleableC2
  • Échantillons de profils Malleable C2 (disponibles dans des dépôts publics)
  • Compréhension du protocole HTTP et du modèle de communication Beacon de Cobalt Strike
  • Outils de surveillance réseau (Suricata/Snort) pour le déploiement de signatures
  • Outils d'analyse PCAP pour la validation du trafic

Étapes

  1. Installer les bibliothèques : pip install dissect.cobaltstrike ou pip install pyMalleableC2
  2. Analyser le profil avec C2Profile.from_path("profile.profile")
  3. Extraire les configurations des blocs HTTP GET/POST (URI, en-têtes, paramètres)
  4. Identifier les chaînes User-Agent et les cibles usurpées
  5. Extraire le temps de sleep, le pourcentage de jitter et les paramètres DNS Beacon
  6. Analyser les paramètres d'injection de processus (spawn-to, technique d'allocation)
  7. Générer des signatures Suricata/Snort à partir des indicateurs réseau extraits
  8. Comparer le profil avec les collections de profils d'acteurs malveillants connus
  9. Extraire les URI de staging et les mécanismes de livraison de payload
  10. Produire un rapport de détection avec les IOCs et les signatures réseau recommandées

Résultat attendu

Un rapport JSON contenant les URI C2 extraites, les en-têtes HTTP, les User-Agent, les paramètres sleep/jitter, la configuration d'injection de processus, les chemins de processus spawnés, les paramètres DNS et les règles de détection générées compatibles avec Suricata.

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-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 associés