Communitygithub.com

Analisando Relacionamentos de Famílias de Malware com Malpedia

Consulta a API do Malpedia para pesquisar aliases e nomenclaturas de famílias de malware.

O que é Analisando Relacionamentos de Famílias de Malware com Malpedia?

Esta skill capacita agentes de IA a interagir com a plataforma Malpedia para realizar análises aprofundadas de famílias de malware. Ela permite consultar a API do Malpedia para obter listas completas de famílias, informações detalhadas sobre uma família específica (incluindo aliases, atores associados, regras YARA e referências), mapear o ecossistema de malware usado por um ator, identificar ferramentas compartilhadas entre múltiplos atores e construir cadeias de entrega do tipo loader-payload. A skill também fornece funcionalidades para extrair e compilar regras YARA de diversas famílias em um único arquivo, facilitando a detecção e a criação de inteligência contra ameaças. É útil para analistas de SOC, pesquisadores de segurança e profissionais de threat intelligence que precisam entender as linhagens de malware, rastrear a evolução de variantes e vincular malwares a grupos de ameaças específicos. A implementação é em Python e requer uma chave de API do Malpedia, além das bibliotecas requests, yara-python e stix2.

Funciona com~Claude Code~Codex CLI~Cursor
npx skills add https://github.com/mukul975/Anthropic-Cybersecurity-Skills/tree/main/skills/analyzing-malware-family-relationships-with-malpedia

Perguntar na sua IA favorita

Abre um novo chat com esta habilidade de agente já pré-carregada.

Documentação

O que Analisando Relacionamentos de Famílias de Malware com Malpedia faz?

Visão Geral

O Malpedia é uma plataforma colaborativa mantida pelo Fraunhofer FKIE que cataloga famílias de malware com seus aliases, regras YARA, associações a atores de ameaças e relatórios de referência. Com mais de 2.600 famílias de malware documentadas, ele serve como o recurso definitivo para entender linhagens de malware, rastrear a evolução de variantes e vincular malware a grupos de ameaças específicos. Esta skill cobre a consulta à API do Malpedia, o mapeamento de relacionamentos entre famílias de malware, a extração de regras YARA para detecção e a construção de inteligência sobre ecossistemas de malware usados por adversários.

Quando Usar

  • Ao investigar incidentes de segurança que exigem a análise de relacionamentos de famílias de malware com o Malpedia
  • Ao criar regras de detecção ou consultas de caça a ameaças para este domínio
  • Quando analistas de SOC precisam de procedimentos estruturados para este tipo de análise
  • Ao validar a cobertura de monitoramento de segurança para técnicas de ataque relacionadas

Pré-requisitos

  • Python 3.9+ com as bibliotecas requests, yara-python, stix2
  • Chave de API do Malpedia (registre-se em https://malpedia.caad.fkie.fraunhofer.de/)
  • Compreensão da classificação de malware e convenções de nomenclatura
  • Familiaridade com a sintaxe de regras YARA para detecção
  • Acesso a amostras de malware para validação (opcional)

Conceitos-chave

Modelo de Dados do Malpedia

O Malpedia organiza malware em Famílias (por exemplo, "win.cobalt_strike"), cada uma contendo: aliases (nomes específicos de fornecedores como "Beacon", "CobaltStrike"), regras YARA (contribuídas pela comunidade e fornecedores), associações a atores (grupos de ameaças que usam a família), relatórios de referência (relatórios de CTI que documentam a família) e hashes de amostras (amostras representativas para cada variante).

Nomenclatura de Famílias de Malware

O Malpedia usa o formato plataforma.nome_da_familia (por exemplo, win.emotet, elf.mirai, apk.flubot). As plataformas incluem win (Windows), elf (Linux), apk (Android), osx (macOS) e py (Python). Essa nomenclatura padronizada resolve o problema dos "muitos nomes", onde diferentes fornecedores atribuem nomes diferentes ao mesmo malware.

Relacionamentos entre Famílias

As famílias de malware têm relacionamentos que incluem: pai-filho (reutilização de código, forks), loader-payload (Emotet carrega TrickBot que carrega Ryuk), autoria compartilhada (mesmo ator de ameaça desenvolve múltiplas ferramentas) e compartilhamento de infraestrutura (frameworks C2 comuns).

Fluxo de Trabalho

Passo 1: Consultar a API do Malpedia para Famílias de Malware

import requests
import json
from collections import defaultdict

class MalpediaClient:
    BASE_URL = "https://malpedia.caad.fkie.fraunhofer.de/api"

    def __init__(self, api_key):
        self.headers = {"Authorization": f"apitoken {api_key}"}

    def get_family_list(self):
        """Obtém a lista de todas as famílias de malware."""
        resp = requests.get(f"{self.BASE_URL}/list/families",
                           headers=self.headers, timeout=30)
        if resp.status_code == 200:
            families = resp.json()
            print(f"[+] Malpedia: {len(families)} famílias de malware")
            return families
        return {}

    def get_family_info(self, family_name):
        """Obtém informações detalhadas sobre uma família de malware."""
        resp = requests.get(f"{self.BASE_URL}/get/family/{family_name}",
                           headers=self.headers, timeout=30)
        if resp.status_code == 200:
            info = resp.json()
            print(f"[+] Família: {family_name}")
            print(f"    Aliases: {info.get('alt_names', [])}")
            print(f"    Atores: {[a.get('value', '') for a in info.get('attribution', [])]}")
            print(f"    URLs: {len(info.get('urls', []))} referências")
            return info
        print(f"[-] Família não encontrada: {family_name}")
        return None

    def get_family_yara(self, family_name):
        """Obtém regras YARA para uma família de malware."""
        resp = requests.get(f"{self.BASE_URL}/get/yara/{family_name}",
                           headers=self.headers, timeout=30)
        if resp.status_code == 200:
            rules = resp.json()
            rule_count = sum(len(v) for v in rules.values()) if isinstance(rules, dict) else 0
            print(f"[+] Regras YARA para {family_name}: {rule_count} regras")
            return rules
        return {}

    def get_actor_families(self, actor_name):
        """Obtém famílias de malware associadas a um ator de ameaça."""
        resp = requests.get(f"{self.BASE_URL}/get/actor/{actor_name}",
                           headers=self.headers, timeout=30)
        if resp.status_code == 200:
            data = resp.json()
            families = data.get("families", {})
            print(f"[+] {actor_name}: {len(families)} famílias de malware")
            return data
        return {}

    def search_families(self, keyword):
        """Pesquisa famílias por palavra-chave."""
        all_families = self.get_family_list()
        matches = {
            name: info for name, info in all_families.items()
            if keyword.lower() in name.lower()
            or keyword.lower() in str(info.get("alt_names", [])).lower()
        }
        print(f"[+] Pesquisa '{keyword}': {len(matches)} correspondências")
        return matches

client = MalpediaClient("SUA_CHAVE_API_MALPEDIA")
families = client.get_family_list()
emotet_info = client.get_family_info("win.emotet")

Passo 2: Mapear Relacionamentos entre Famílias de Malware

class MalwareFamilyMapper:
    def __init__(self, malpedia_client):
        self.client = malpedia_client
        self.relationship_graph = defaultdict(list)

    def map_actor_ecosystem(self, actor_name):
        """Mapeia o ecossistema de malware usado por um ator de ameaça."""
        actor_data = self.client.get_actor_families(actor_name)
        families = actor_data.get("families", {})

        ecosystem = {
            "actor": actor_name,
            "families": [],
            "family_count": len(families),
        }

        for family_name in families:
            info = self.client.get_family_info(family_name)
            if info:
                ecosystem["families"].append({
                    "name": family_name,
                    "aliases": info.get("alt_names", []),
                    "description": info.get("description", "")[:200],
                    "shared_actors": [
                        a.get("value", "")
                        for a in info.get("attribution", [])
                    ],
                    "reference_count": len(info.get("urls", [])),
                })

        print(f"\n=== Ecossistema de Malware do {actor_name} ===")
        for fam in ecosystem["families"]:
            shared = [a for a in fam["shared_actors"] if a != actor_name]
            print(f"  {fam['name']}")
            print(f"    Aliases: {fam['aliases'][:5]}")
            if shared:
                print(f"    Também usado por: {shared}")

        return ecosystem

    def find_shared_tooling(self, actor_names):
        """Encontra famílias de malware compartilhadas entre atores de ameaça."""
        actor_families = {}
        for actor in actor_names:
            data = self.client.get_actor_families(actor)
            actor_families[actor] = set(data.get("families", {}).keys())

        # Encontra sobreposições
        shared = {}
        for i, actor1 in enumerate(actor_names):
            for actor2 in actor_names[i+1:]:
                common = actor_families[actor1] & actor_families[actor2]
                if common:
                    shared[f"{actor1} <-> {actor2}"] = sorted(common)

        print(f"\n=== Análise de Ferramentas Compartilhadas ===")
        for pair, families in shared.items():
            print(f"  {pair}: {len(families)} famílias compartilhadas")
            for f in families[:5]:
                print(f"    - {f}")

        return shared

    def build_loader_payload_chain(self, family_name):
        """Constrói a cadeia de entrega loader-payload para uma família."""
        info = self.client.get_family_info(family_name)
        if not info:
            return {}

        chain = {
            "family": family_name,
            "description": info.get("description", ""),
            "known_loaders": [],
            "known_payloads": [],
        }

        # Cadeias de entrega conhecidas comuns
        known_chains = {
            "win.emotet": {"loaders": ["email/macro"], "payloads": ["win.trickbot", "win.qakbot", "win.cobalt_strike"]},
            "win.trickbot": {"loaders": ["win.emotet"], "payloads": ["win.ryuk", "win.conti", "win.cobalt_strike"]},
            "win.qakbot": {"loaders": ["email/macro", "win.emotet"], "payloads": ["win.cobalt_strike", "win.blackbasta"]},
            "win.cobalt_strike": {"loaders": ["win.emotet", "win.trickbot", "win.qakbot"], "payloads": ["ransomware"]},
        }

        if family_name in known_chains:
            chain["known_loaders"] = known_chains[family_name]["loaders"]
            chain["known_payloads"] = known_chains[family_name]["payloads"]

        return chain

mapper = MalwareFamilyMapper(client)
ecosystem = mapper.map_actor_ecosystem("Wizard Spider")
shared = mapper.find_shared_tooling(["Wizard Spider", "FIN7", "Lazarus Group"])
chain = mapper.build_loader_payload_chain("win.emotet")

Passo 3: Extrair e Compilar Regras YARA

def compile_yara_ruleset(client, family_names, output_file="malware_yara_rules.yar"):
    """Compila regras YARA para múltiplas famílias de malware."""
    all_rules = []
    for family in family_names:
        yara_data = client.get_family_yara(family)
        if isinstance(yara_data, dict):
            for source, rules in yara_data.items():
                if isinstance(rules, list):
                    for rule in rules:
                        all_rules.append(f"// Fonte: {source} - Família: {family}\n{rule}")
                elif isinstance(rules, str):
                    all_rules.append(f"// Fonte: {source} - Família: {family}\n{rules}")

    with open(output_file, "w") as f:
        f.write(f"// Regras YARA do Malpedia - {len(all_rules)} regras\n")
        f.write(f"// Famílias: {', '.join(family_names)}\n\n")
        for rule in all_rules:
            f.write(rule + "\n\n")

    print(f"[+] Compiladas {len(all_rules)} regras YARA em {output_file}")
    return all_rules

compile_yara_ruleset(client, ["win.emotet", "win.trickbot", "win.cobalt_strike"])

Critérios de Validação

  • API do Malpedia consultada com sucesso para famílias de malware
  • Informações da família recuperadas com aliases, atores e referências
  • Relacionamentos ator-família mapeados corretamente
  • Ferramentas compartilhadas entre atores identificadas
  • Regras YARA extraídas e compiladas para detecção
  • Cadeias loader-payload documentadas para inteligência de ameaças

Referências

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,

Habilidades Relacionadas