Communitygithub.com

Automação de Enriquecimento de IoCs

Automatiza o enriquecimento de indicadores de compromisso (IoCs) brutos com múltiplas fontes de inteligência contra ameaças para acelerar a triagem de alertas.

O que é Automação de Enriquecimento de IoCs?

Esta skill é um guia prático para construir pipelines automatizados de enriquecimento de IoCs (IPs, domínios, URLs, hashes) usando fontes como VirusTotal, AbuseIPDB, Shodan e MISP/OpenCTI. Ela descreve um workflow completo: desde a extração de IoCs de alertas SIEM até o re-enriquecimento paralelo, cálculo de uma pontuação composta de confiança e roteamento condicional para filas de prioridade no SOAR. O conteúdo inclui implementações Python prontas para consulta às APIs, decorators para controle de taxa e retry, além de integrações com plataformas SOAR como Cortex XSOAR, Splunk SOAR, Tines e n8n. A skill enfatiza boas práticas como cache de resultados, tratamento de falhas silenciosas e a importância de não automatizar decisões de bloqueio sem revisão humana, sendo ideal para engenheiros de SOC e desenvolvedores de automação de segurança.

Funciona com~Claude Code~Codex CLI~Cursor
npx skills add https://github.com/mukul975/Anthropic-Cybersecurity-Skills/tree/main/skills/automating-ioc-enrichment

Perguntar na sua IA favorita

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

Documentação

O que Automação de Enriquecimento de IoCs faz?

Quando Usar

Use esta skill quando:

  • Estiver construindo um playbook SOAR que enriquece automaticamente alertas SIEM com contexto de inteligência contra ameaças antes de encaminhá-los para analistas
  • Criando um pipeline Python para enriquecimento em lote de IoCs a partir de submissões de phishing por e-mail
  • Reduzindo o tempo médio de triagem (MTTT) do analista, pré-populando o contexto do alerta com dados de VT, Shodan e MISP

Não use esta skill para decisões de bloqueio totalmente automatizadas sem revisão humana — a automação de enriquecimento deve informar decisões, não executar bloqueios de forma autônoma para ações de alto impacto.

Pré-requisitos

  • Plataforma SOAR (Cortex XSOAR, Splunk SOAR, Tines ou n8n) ou ambiente Python 3.9+
  • Chaves de API: VirusTotal, AbuseIPDB, Shodan e no mínimo uma TIP (MISP ou OpenCTI)
  • Endpoint de integração SIEM para consumo de alertas
  • Orçamentos de limite de taxa documentados por API (VT: 4/min gratuita, 500/min empresarial)

Fluxo de Trabalho

Etapa 1: Projetar a Arquitetura do Pipeline de Enriquecimento

Defina o fluxo de enriquecimento para cada tipo de IoC:

Alerta SIEM → Extrair IoCs → Classificar Tipo → Rotear para funções de enriquecimento
  Endereço IP → AbuseIPDB + Shodan + VirusTotal IP + MISP
  Domínio → VirusTotal Domínio + PassiveTotal + Shodan + MISP
  URL → URLScan.io + VirusTotal URL + Google Safe Browsing
  Hash de Arquivo → VirusTotal Arquivos + MalwareBazaar + MISP
→ Agregar resultados → Calcular pontuação de confiança → Atualizar alerta → Notificar analista

Etapa 2: Implementar Funções de Enriquecimento em Python

import requests
import time
from dataclasses import dataclass, field
from typing import Optional

RATE_LIMIT_DELAY = 0.25  # 4 requisições/segundo para nível gratuito do VT

@dataclass
class EnrichmentResult:
    ioc_value: str
    ioc_type: str
    vt_malicious: int = 0
    vt_total: int = 0
    abuse_confidence: int = 0
    shodan_ports: list = field(default_factory=list)
    misp_events: list = field(default_factory=list)
    confidence_score: int = 0

def enrich_ip(ip: str, vt_key: str, abuse_key: str, shodan_key: str) -> EnrichmentResult:
    result = EnrichmentResult(ip, "ip")

    # Consulta IP no VirusTotal
    vt_resp = requests.get(
        f"https://www.virustotal.com/api/v3/ip_addresses/{ip}",
        headers={"x-apikey": vt_key}
    )
    if vt_resp.status_code == 200:
        stats = vt_resp.json()["data"]["attributes"]["last_analysis_stats"]
        result.vt_malicious = stats.get("malicious", 0)
        result.vt_total = sum(stats.values())

    time.sleep(RATE_LIMIT_DELAY)

    # AbuseIPDB
    abuse_resp = requests.get(
        "https://api.abuseipdb.com/api/v2/check",
        headers={"Key": abuse_key, "Accept": "application/json"},
        params={"ipAddress": ip, "maxAgeInDays": 90}
    )
    if abuse_resp.status_code == 200:
        result.abuse_confidence = abuse_resp.json()["data"]["abuseConfidenceScore"]

    # Calcular pontuação composta de confiança
    result.confidence_score = min(
        (result.vt_malicious / max(result.vt_total, 1)) * 60 +
        (result.abuse_confidence / 100) * 40, 100
    )

    return result

def enrich_hash(sha256: str, vt_key: str) -> EnrichmentResult:
    result = EnrichmentResult(sha256, "sha256")
    vt_resp = requests.get(
        f"https://www.virustotal.com/api/v3/files/{sha256}",
        headers={"x-apikey": vt_key}
    )
    if vt_resp.status_code == 200:
        stats = vt_resp.json()["data"]["attributes"]["last_analysis_stats"]
        result.vt_malicious = stats.get("malicious", 0)
        result.vt_total = sum(stats.values())
        result.confidence_score = int((result.vt_malicious / max(result.vt_total, 1)) * 100)
    return result

Etapa 3: Construir Playbook SOAR (Cortex XSOAR)

No Cortex XSOAR, crie um playbook de enriquecimento:

  1. Gatilho: Alerta criado no SIEM (via webhook ou polling)
  2. Extrair IoCs: Use a tarefa "Extrair Indicadores" com padrões regex para IP, domínio, URL, hash
  3. Enriquecimento paralelo: Distribua para múltiplas tarefas de enriquecimento simultaneamente
  4. Enriquecimento VT: Chame o comando !vt-file-scan ou !vt-ip-scan
  5. Verificação AbuseIPDB: Chame o comando !abuseipdb-check-ip
  6. Consulta MISP: Chame o comando !misp-search para referência cruzada
  7. Agregação de pontuação: Tarefa de transformação Python calculando a pontuação composta
  8. Roteamento condicional: Se pontuação ≥70 → Fila de Alta Prioridade; se 40–69 → Média; <40 → Fechar automaticamente com nota
  9. Enriquecimento do alerta: Escreva os resultados do enriquecimento no contexto do alerta para visualização do analista

Etapa 4: Gerenciar Limitação de Taxa e Falhas

import time
from functools import wraps

def rate_limited(max_per_second):
    min_interval = 1.0 / max_per_second
    def decorator(func):
        last_called = [0.0]
        @wraps(func)
        def wrapper(*args, **kwargs):
            elapsed = time.time() - last_called[0]
            wait = min_interval - elapsed
            if wait > 0:
                time.sleep(wait)
            result = func(*args, **kwargs)
            last_called[0] = time.time()
            return result
        return wrapper
    return decorator

def retry_on_429(max_retries=3):
    def decorator(func):
        @wraps(func)
        def wrapper(*args, **kwargs):
            for attempt in range(max_retries):
                response = func(*args, **kwargs)
                if response.status_code == 429:
                    retry_after = int(response.headers.get("Retry-After", 60))
                    time.sleep(retry_after)
                else:
                    return response
        return wrapper
    return decorator

Etapa 5: Métricas e Ajuste

Acompanhe o desempenho do pipeline semanalmente:

  • Latência do enriquecimento: Alvo <30 segundos do gatilho do alerta até a saída enriquecida
  • Taxa de sucesso da API: Alvo >99% (identificar eventos de limite de taxa ou interrupção)
  • Taxa de verdadeiro positivo: Acompanhe as substituições feitas pelos analistas das pontuações de confiança automatizadas
  • Custo: Acompanhe o volume de chamadas de API contra o orçamento (VT Enterprise: $X por 1M consultas)

Conceitos Chave

TermoDefinição
SOARSecurity Orchestration, Automation, and Response — plataforma para automatizar workflows de segurança e integrar ferramentas heterogêneas
Playbook de EnriquecimentoSequência automatizada de workflow que adiciona inteligência contextual a eventos de segurança brutos
Limitação de TaxaRestrições de frequência de requisições impostas pelo provedor da API (ex.: VT gratuito: 4 requisições/minuto); pipelines devem respeitar esses limites
Pontuação Composta de ConfiançaPontuação única que agrega sinais de múltiplas fontes de enriquecimento usando fórmula ponderada
Padrão de Fan-outExecução paralela de múltiplas consultas de enriquecimento simultaneamente para minimizar a latência total do enriquecimento

Ferramentas e Sistemas

  • Cortex XSOAR (Palo Alto): SOAR empresarial com mais de 700 integrações no marketplace, incluindo VT, MISP, Shodan e AbuseIPDB
  • Splunk SOAR (Phantom): Plataforma SOAR com playbooks baseados em Python; integração nativa com Splunk SIEM
  • Tines: Plataforma SOAR no-code com automação orientada por webhook; custo-efetiva para equipes menores
  • TheHive + Cortex: Plataforma de resposta a incidentes/enriquecimento open-source com enriquecimento de observáveis via analisadores Cortex

Armadilhas Comuns

  • Bloqueio na latência do enriquecimento: Se o enriquecimento levar mais de 5 minutos, os analistas começarão a trabalhar em alertas não enriquecidos, derrotando o propósito. Defina limites de tempo limite e forneça resultados parciais.
  • Sem cache: Consultar o mesmo IoC 50 vezes gera custos desnecessários de API. Armazene em cache os resultados do enriquecimento por 24 horas por padrão.
  • Ignorar falhas de API silenciosamente: Chamadas de enriquecimento com falha devem ser registradas e acionar lógica de fallback, não produzir silenciosamente resultados vazios que parecem IoCs limpos.
  • Automatizar bloqueios apenas com pontuação de enriquecimento: Pontuações compostas contêm falsos positivos; exija confirmação humana para decisões de bloqueio contra infraestrutura compartilhada.

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