Communitygithub.com

analyse-des-indicateurs-de-compromission

Analyse les indicateurs de compromission (IOC) tels que les adresses IP, les domaines, les hachages de fichiers et les URL, en les enrichissant via des sources externes pour une évaluation de la confiance et une prise de décision.

Qu'est-ce que analyse-des-indicateurs-de-compromission ?

Cette compétence permet aux agents IA d'analyser en profondeur les indicateurs de compromission (IOC) en automatisant leur classification, leur enrichissement multi-sources et leur notation de confiance. Elle est conçue pour les plateformes comme Claude Code, Cursor ou Codex, et s'applique aux flux de réponse aux incidents, au triage des alertes de phishing et à l'ingestion de flux automatisés. Le workflow normalise les IOC (IP, domaines, hachages, emails), les enrichit via VirusTotal, AbuseIPDB, MalwareBazaar et MISP, contextualise avec des données de campagne (Shodan), puis attribue un score de confiance pour décider du blocage, de la surveillance ou du passage en liste blanche. L'accent est mis sur la réduction des faux positifs (ex : infrastructures CDN) et la documentation structurée des résultats en STIX. L'agent peut exécuter des scripts Python pour interroger les API, interpréter les résultats et appliquer un cadre de décision à plusieurs niveaux, tout en évitant les pièges courants comme la dépendance excessive à une seule source ou l'absence de politique d'expiration des IOC.

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

Demander à votre IA préférée

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

Documentation

Analyser les Indicateurs de Compromission

Quand l'utiliser

Utilisez cette compétence lorsque :

  • Un e-mail de phishing ou une alerte génère des IOC (URL, adresses IP, hachages de fichiers) nécessitant un triage rapide.
  • Des flux automatisés fournissent des IOC en vrac nécessitant une notation de la confiance avant ingestion dans les contrôles de blocage.
  • Une enquête d'incident nécessite un enrichissement contextuel des artefacts réseau observés.

N'utilisez pas cette compétence isolément pour des décisions de blocage à haut risque — combinez toujours l'enrichissement automatisé avec le jugement de l'analyste, en particulier pour les infrastructures partagées (CDN, fournisseurs cloud).

Prérequis

  • Clé API VirusTotal (gratuite ou Entreprise) pour la recherche multi-AV et sandbox.
  • Clé API AbuseIPDB pour les vérifications de réputation IP.
  • Instance MISP ou TIP pour le recoupement avec des campagnes connues.
  • Python avec les bibliothèques requests et vt-py, ou plateforme SOAR avec connecteurs pré-construits.

Workflow

Étape 1 : Normaliser et classer les types d'IOC

Avant l'enrichissement, classez chaque IOC :

  • Adresse IPv4/IPv6 : Vérifier si RFC 1918 privée (ignorer l'enrichissement externe), valider le format.
  • Domaine/FQDN : Désactiver pour manipulation sécurisée (evil[.]com), extraire le domaine enregistré via tldextract.
  • URL : Extraire le domaine et le chemin séparément ; vérifier les redirections.
  • Hachage de fichier : Identifier le type de hachage (MD5/SHA-1/SHA-256) ; préférer SHA-256 pour l'unicité.
  • Adresse e-mail : Diviser en domaine (vérifier MX/DMARC) et partie locale pour l'analyse de motif.

Désactivez les IOC dans la documentation (remplacer . par [.] et :// par [://]) pour éviter les clics accidentels.

Étape 2 : Enrichissement multi-sources

VirusTotal (hachage de fichier, URL, IP, domaine) :

import vt

client = vt.Client("VOTRE_CLE_API_VT")

# Recherche de hachage de fichier
file_obj = client.get_object(f"/files/{sha256_hash}")
detections = file_obj.last_analysis_stats
print(f"Malveillant : {detections['malicious']}/{sum(detections.values())}")

# Analyse de domaine
domain_obj = client.get_object(f"/domains/{domaine}")
print(domain_obj.last_analysis_stats)
print(domain_obj.reputation)
client.close()

AbuseIPDB (adresses IP) :

import requests

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

MalwareBazaar (hachages de fichiers) :

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"])

Étape 3 : Contextualiser avec l'attribution de campagne

Interroger MISP pour les événements existants correspondant à l'IOC :

from pymisp import PyMISP

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

Vérifier Shodan pour le contexte IP (fournisseur d'hébergement, ports ouverts, bannières) afin d'identifier si l'IP appartient à un hébergement pare-feu ou à un fournisseur cloud légitime (risque de faux positif).

Étape 4 : Attribuer un score de confiance et une disposition

Appliquer un cadre de décision à plusieurs niveaux :

  • Bloquer (Haute confiance ≥ 70%) : ≥15 détections AV sur VT, score AbuseIPDB ≥70, correspond à une famille de malware ou campagne connue.
  • Surveiller/Alerter (Moyenne 40–69%) : 5–14 détections AV, score AbuseIPDB modéré, pas d'attribution de campagne.
  • Liste blanche/Enquêter (Faible <40%) : ≤4 détections AV, aucun signalement d'abus, service légitime (Google, IP CDN Cloudflare).
  • Faux positif : Service légitime signalé par erreur ; documenter et exclure des alertes futures.

Étape 5 : Documenter et distribuer

Enregistrer les résultats dans TIP/MISP avec :

  • Toutes les données d'enrichissement collectées (horodatages, source, score).
  • Décision de disposition et justification.
  • Actions de blocage prises (pare-feu, proxy, DNS sinkhole).
  • Numéro de ticket d'incident associé.

Exporter vers un objet indicateur STIX avec le champ de confiance défini de manière appropriée.

Concepts clés

TermeDéfinition
IOCIndicateur de Compromission — artefact réseau ou hôte observable indiquant une compromission potentielle
EnrichissementProcessus d'ajout de données contextuelles à un IOC brut provenant de multiples sources de renseignement
DésactivationModification des IOC (remplacement de . par [.]) pour éviter une activation accidentelle dans la documentation
Taux de faux positifsPourcentage d'artefacts bénins signalés par erreur comme malveillants ; critique pour le réglage des seuils de blocage
SinkholeServeur DNS redirigeant les requêtes de domaine malveillant vers une IP bénigne pour détection sans bloquer totalement le trafic
TTLDurée de vie d'un IOC dans les contrôles de blocage ; les indicateurs IP doivent expirer après 30 jours, les domaines après 90 jours

Outils et systèmes

  • VirusTotal : Scanner de malware multi-moteur et plateforme de renseignement sur les menaces avec plus de 70 moteurs AV, rapports sandbox et commentaires de la communauté.
  • AbuseIPDB : Base de données de réputation IP maintenue par la communauté avec un historique de signalement sur 90 jours.
  • MalwareBazaar (abuse.ch) : Référentiel gratuit de hachages de malware avec associations de règles YARA et étiquetage de famille de malware.
  • URLScan.io : Service gratuit d'analyse d'URL qui capture des captures d'écran, le DOM et les requêtes réseau pour le triage d'URL de phishing.
  • Shodan : Données de balayage à l'échelle d'Internet fournissant des informations sur le fournisseur d'hébergement, les ports ouverts et les bannières pour l'enrichissement IP.

Pièges courants

  • Blocage d'infrastructure partagée : Les IP CDN (Cloudflare 104.21.x.x, AWS CloudFront) peuvent héberger légitimement du contenu malveillant, mais le blocage de l'IP perturbe des milliers de sites légitimes.
  • Obsession du score VT : Un faible nombre de détections VT ne signifie pas bénin — les malwares zero-day et les outils APT personnalisés ont souvent un score de 0 initialement. Vérifiez le comportement sandbox, MISP et le DNS passif.
  • Désactivation manquante : Coller des IOC en direct dans des e-mails ou des documents Confluence peut déclencher des scanners d'URL automatisés ou des outils de phishing.
  • Absence de politique d'expiration : Les IOC sans TTL s'accumulent indéfiniment dans les listes de blocage, générant des faux positifs à mesure que l'infrastructure est réutilisée par des utilisateurs légitimes.
  • Dépendance excessive à une source unique : VirusTotal agrège les opinions AV — toutes peuvent être erronées ou en retard sur les malwares émergents. Utilisez 3 sources indépendantes ou plus pour les décisions à haut risque.

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,

Skills associés