Communitygithub.com

Analyse des Portefeuilles de Paiement de Rançongiciels

Trace les flux de paiement en cryptomonnaies des rançongiciels à l'aide d'outils d'analyse de la blockchain tels que Chainalysis Reactor, WalletExplorer et les API de blockchain.com, en identifiant les clusters de portefeuilles et en suivant les mouvements de fonds à travers les mixeurs et les échanges pour soutenir l'attribution par les forces de l'ordre. À utiliser lors du traçage des paiements Bitcoin de rançongiciels, de la réalisation de analyses forensiques de portefeuilles de cryptomonnaies ou de la collecte de renseignements sur les menaces blockchain concernant les paiements d'extorsion.

Qu'est-ce que Analyse des Portefeuilles de Paiement de Rançongiciels ?

Cette compétence automatise l'analyse des paiements de rançongiciels en traçant les flux de cryptomonnaies sur la blockchain. Elle est conçue pour les enquêteurs, les équipes de réponse aux incidents et les analystes de renseignement sur les menaces qui doivent suivre les fonds après un paiement de rançon. La compétence prend en charge plusieurs plateformes d'analyse, notamment Chainalysis Reactor (avec licence), WalletExplorer et les API blockchain.com. Elle fonctionne en extrayant l'adresse du portefeuille de la note de rançon, en interrogeant les historiques de transaction, en cartographiant les flux de fonds (en identifiant les chaînes de découpage, les mixeurs et les dépôts sur les échanges) et en croisant les données avec des bases de données de portefeuilles connues. Le résultat final est un rapport de renseignement structuré qui attribue les fonds à des entités comme des bourses ou des mixeurs, ce qui facilite l'attribution et les poursuites judiciaires. La compétence met l'accent sur une analyse passive et en lecture seule des données publiques de la blockchain.

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

Demander à votre IA préférée

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

Documentation

Que fait Analyse des Portefeuilles de Paiement de Rançongiciels ?

Quand l'utiliser

  • Une organisation a été victime d'un rançongiciel et la note de rançon contient une adresse de portefeuille Bitcoin ou de cryptomonnaie qui nécessite une enquête
  • Les forces de l'ordre ou les équipes de réponse aux incidents doivent tracer où les paiements de rançon ont transité après que la victime a payé
  • Les analystes de renseignement sur les menaces attribuent des campagnes de rançongiciels en regroupant les infrastructures de paiement entre différents incidents
  • Les enquêteurs doivent déterminer si un groupe de rançongiciels réutilise une infrastructure de portefeuille pour plusieurs victimes
  • Les équipes de conformité ou juridiques ont besoin de preuves des flux de fonds pour des poursuites judiciaires, l'application de sanctions ou des réclamations d'assurance

N'utilisez pas cette compétence pour une interception en direct des paiements ou pour interagir directement avec les opérateurs de rançongiciels. Toute analyse doit être passive et en lecture seule sur les données publiques de la blockchain.

Prérequis

  • Python 3.8+ avec les bibliothèques requests, json et hashlib
  • Accès aux API des explorateurs de blockchain (blockchain.com, WalletExplorer.com, Blockstream.info)
  • Connaissance du modèle de transaction Bitcoin (UTXOs, entrées, sorties, adresses de change)
  • Compréhension des techniques d'obscurcissement courantes (mixeurs, tumblers, chaînes de découpage, swaps inter-chaînes)
  • Facultatif : Licence Chainalysis Reactor pour l'analyse de clusters de niveau entreprise
  • Facultatif : OXT.me pour la visualisation avancée des graphes de transactions

Flux de travail

Étape 1 : Extraire l'adresse du portefeuille de la note de rançon

Analyser la note de rançon pour identifier la ou les adresses de paiement :

Formats d'adresse courants :
  Bitcoin (P2PKH) :   1A1zP1eP5QGefi2DMPTfTL5SLmv7DivfNa  (commence par 1)
  Bitcoin (P2SH) :    3J98t1WpEZ73CNmQviecrnyiWrnqRhWNLy  (commence par 3)
  Bitcoin (Bech32) :  bc1qar0srrr7xfkvy5l643lydnw9re59gtzzwf5mdq (commence par bc1)
  Monero :            4... (95 caractères, beaucoup plus difficile à tracer)
  Ethereum :          0x... (40 caractères hexadécimaux)

Étape 2 : Interroger l'explorateur de blockchain pour l'historique des transactions

Récupérer toutes les transactions associées au portefeuille :

import requests

def get_wallet_transactions(address):
    """Interroge l'API blockchain.com pour les transactions d'une adresse."""
    url = f"https://blockchain.info/rawaddr/{address}"
    resp = requests.get(url, timeout=30)
    resp.raise_for_status()
    data = resp.json()
    return {
        "address": address,
        "n_tx": data.get("n_tx", 0),
        "total_received_satoshi": data.get("total_received", 0),
        "total_sent_satoshi": data.get("total_sent", 0),
        "final_balance_satoshi": data.get("final_balance", 0),
        "transactions": data.get("txs", []),
    }

Étape 3 : Cartographier le flux de fonds et identifier les clusters

Tracer les sorties du portefeuille de rançon vers les adresses en aval :

Analyse du flux de fonds :
━━━━━━━━━━━━━━━━━━
Paiement de la victime ──► Portefeuille de rançon ──► Portefeuille de consolidation
                                                     ├─► Service de mixeur/tumbler
                                                     ├─► Adresse de dépôt d'échange
                                                     └─► Chaîne de découpage (petites sorties séquentielles)

Indicateurs clés :
  - Consolidation : Plusieurs paiements de rançon agrégés dans un seul portefeuille
  - Chaînes de découpage : Transactions séquentielles avec des sorties diminuant
  - Utilisation de mixeurs : Fonds envoyés vers des adresses de mixeurs connues (Wasabi, Samourai, ChipMixer)
  - Retrait sur échange : Dépôts vers des portefeuilles d'échanges connus (portefeuilles chauds Binance, Kraken)

Étape 4 : Croiser avec les bases de données de portefeuilles connues

Vérifier les adresses par rapport à l'infrastructure de rançongiciel connue :

# Vérifier WalletExplorer pour l'identification de l'entité
def check_wallet_explorer(address):
    url = f"https://www.walletexplorer.com/api/1/address?address={address}&caller=research"
    resp = requests.get(url, timeout=30)
    data = resp.json()
    return {
        "wallet_id": data.get("wallet_id"),
        "label": data.get("label", "Inconnu"),
        "is_exchange": data.get("is_exchange", False),
    }

Étape 5 : Générer un rapport d'attribution

Compiler les résultats dans un rapport de renseignement structuré :

RAPPORT D'ANALYSE DE PORTEFEUILLE DE RANÇONGICIEL
====================================================
Adresse de rançon :    bc1q...xyz
Attribution de la famille :  LockBit 3.0 (basé sur le format de la note de rançon)
Total reçu :           4,25 BTC (178 500 $ au moment du paiement)
Total envoyé :         4,25 BTC (portefeuille complètement vidé)
Nombre de paiements :  3 (probablement 3 victimes distinctes)

FLUX DE FONDS :
  Paiement 1 : 1,5 BTC → Portefeuille de consolidation → Dépôt Binance
  Paiement 2 : 1,0 BTC → Mixeur Wasabi → Inconnu
  Paiement 3 : 1,75 BTC → Chaîne de découpage (12 sauts) → Dépôt OKX

ANALYSE DE CLUSTER :
  Portefeuilles liés : 47 adresses identifiées dans le même cluster
  Volume total du cluster : 156,3 BTC (6,5 millions USD)
  Première activité : 15/01/2024
  Dernière activité : 22/09/2024

Vérification

  • Confirmer que le format de l'adresse du portefeuille est valide avant d'interroger les API
  • Croiser les horodatages des transactions avec les chronologies d'incidents connues
  • Valider les associations de clusters en vérifiant l'heuristique de propriété d'entrée commune
  • Comparer les résultats avec la liste SDN de l'OFAC pour les adresses sanctionnées
  • Vérifier l'attribution des échanges auprès de plusieurs sources (WalletExplorer, OXT, Chainalysis)

Concepts clés

TermeDéfinition
UTXOSortie de transaction non dépensée ; unité fondamentale du Bitcoin qui suit la propriété à travers une chaîne de transactions
Analyse de clusterRegroupement de plusieurs adresses Bitcoin présumées être contrôlées par la même entité en utilisant l'heuristique de propriété d'entrée commune et d'adresse de change
Chaîne de découpageUn modèle de blanchiment où les fonds sont envoyés à travers de nombreuses transactions séquentielles, chacune retirant une petite quantité vers une nouvelle adresse
CoinJoin/MixeurTechniques de confidentialité qui combinent les transactions de plusieurs utilisateurs pour obscurcir le lien entre l'expéditeur et le destinataire
Propriété d'entrée communeHeuristique qui suppose que toutes les entrées d'une même transaction sont contrôlées par la même entité

Outils et systèmes

  • Chainalysis Reactor : Plateforme d'investigation blockchain d'entreprise avec attribution d'entités et traçage inter-chaînes
  • WalletExplorer : Outil gratuit qui regroupe les adresses Bitcoin et étiquette les services connus (échanges, mixeurs, marchés)
  • OXT.me : Visualisation avancée des transactions Bitcoin avec analyse de graphe UTXO
  • Blockstream.info : Explorateur de blocs Bitcoin open source avec accès complet à l'API
  • API blockchain.com : API gratuite pour interroger les soldes et les historiques de transactions des adresses Bitcoin
  • Liste SDN de l'OFAC : Liste d'adresses sanctionnées du Trésor américain pour la vérification de conformité

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