killvxk 使用 MITRE ATT&CK 实施威胁建模
适用场景
以下情况使用本技能：
- SOC 团队需要针对相关威胁行为者及其 TTP 评估检测覆盖率
- 安全领导层需要基于威胁的防御优先级排序
- 新环境（云迁移、OT 集成）需要制定检测策略规划
- 紫队演练需要基于威胁模型进行结构化的对手仿真
- 年度风险评估需要基于 ATT&CK 的威胁态势分析
不适用于一次性演练——威胁模型必须随着对手 TTP 演进和组织攻击面变化而持续更新。
前置条件
- 了解 MITRE ATT&CK 框架（Enterprise、ICS、Mobile 或 Cloud 矩阵）
- ATT&CK Navigator 工具（Web 版或本地版）用于层次可视化
- 已映射到 ATT&CK 技术 ID 的当前检测规则清单
- 针对所在行业的威胁行为者组织的威胁情报
- 含关键性分类的组织资产清单
工作流程
步骤 1：识别相关威胁行为者
使用 MITRE ATT&CK 组织数据库研究针对您所在行业的对手组织：
import requests
import json
# 下载 ATT&CK STIX 数据
response = requests.get(
"https://raw.githubusercontent.com/mitre/cti/master/enterprise-attack/enterprise-attack.json"
)
attack_data = response.json()
# 提取组织及其技术
groups = {}
for obj in attack_data["objects"]:
if obj["type"] == "intrusion-set":
group_name = obj["name"]
aliases = obj.get("aliases", [])
description = obj.get("description", "")
groups[group_name] = {
"aliases": aliases,
"description": description[:200],
"techniques": []
}
# 通过关系映射技术到组织
relationships = [obj for obj in attack_data["objects"] if obj["type"] == "relationship"]
techniques = {obj["id"]: obj for obj in attack_data["objects"]
if obj["type"] == "attack-pattern"}
for rel in relationships:
if rel["relationship_type"] == "uses":
source = rel["source_ref"]
target = rel["target_ref"]
for group_name, group_data in groups.items():
if source == group_data.get("id") and target in techniques:
tech = techniques[target]
ext_refs = tech.get("external_references", [])
for ref in ext_refs:
if ref.get("source_name") == "mitre-attack":
group_data["techniques"].append(ref["external_id"])
# 示例：金融行业威胁行为者
financial_actors = ["FIN7", "FIN8", "Carbanak", "APT38", "Lazarus Group"]
for actor in financial_actors:
if actor in groups:
print(f"{actor}: {len(groups[actor]['techniques'])} 个技术")
print(f" 主要技术：{groups[actor]['techniques'][:10]}")
步骤 2：构建威胁行为者 TTP 画像
为优先威胁行为者创建 ATT&CK Navigator 层：
import json
def create_attack_layer(actor_name, techniques, color="#ff6666"):
"""为威胁行为者生成 ATT&CK Navigator JSON 层"""
layer = {
"name": f"{actor_name} TTP 画像",
"versions": {
"attack": "15",
"navigator": "5.0",
"layer": "4.5"
},
"domain": "enterprise-attack",
"description": f"与 {actor_name} 相关的技术",
"techniques": [
{
"techniqueID": tech_id,
"tactic": "",
"color": color,
"comment": f"被 {actor_name} 使用",
"enabled": True,
"score": 1
}
for tech_id in techniques
],
"gradient": {
"colors": ["#ffffff", color],
"minValue": 0,
"maxValue": 1
}
}
return layer
# 为主要威胁行为者创建层
fin7_techniques = ["T1566.001", "T1059.001", "T1053.005", "T1547.001",
"T1078", "T1021.001", "T1003", "T1071.001", "T1041"]
layer = create_attack_layer("FIN7", fin7_techniques, "#ff6666")
with open("fin7_layer.json", "w") as f:
json.dump(layer, f, indent=2)
步骤 3：映射当前检测覆盖率
导出已映射到 ATT&CK 的当前检测规则：
--- 从 Splunk ES 关联搜索提取 ATT&CK 技术映射
| rest /services/saved/searches
splunk_server=local
| where match(title, "^(COR|ESCU|RBA):")
| eval techniques = if(isnotnull(action.correlationsearch.annotations),
spath(action.correlationsearch.annotations, "mitre_attack"),
"unmapped")
| stats count by techniques
| mvexpand techniques
| stats count by techniques
| rename techniques AS technique_id, count AS rule_count
创建检测覆盖率层：
def create_coverage_layer(detection_rules):
"""从检测规则清单生成覆盖率层"""
technique_counts = {}
for rule in detection_rules:
for tech in rule.get("techniques", []):
technique_counts[tech] = technique_counts.get(tech, 0) + 1
layer = {
"name": "SOC 检测覆盖率",
"versions": {"attack": "15", "navigator": "5.0", "layer": "4.5"},
"domain": "enterprise-attack",
"techniques": [
{
"techniqueID": tech_id,
"color": "#31a354" if count >= 2 else "#a1d99b" if count == 1 else "",
"score": count,
"comment": f"{count} 条检测规则"
}
for tech_id, count in technique_counts.items()
],
"gradient": {
"colors": ["#ffffff", "#a1d99b", "#31a354"],
"minValue": 0,
"maxValue": 3
}
}
return layer
步骤 4：执行缺口分析
将威胁行为者 TTP 叠加到检测覆盖率上：
def gap_analysis(threat_techniques, covered_techniques):
"""识别特定威胁行为者的检测缺口"""
gaps = set(threat_techniques) - set(covered_techniques)
covered = set(threat_techniques) & set(covered_techniques)
print(f"威胁行为者技术数：{len(threat_techniques)}")
print(f"已检测：{len(covered)} ({len(covered)/len(threat_techniques)*100:.0f}%)")
print(f"缺口：{len(gaps)} ({len(gaps)/len(threat_techniques)*100:.0f}%)")
# 按杀伤链阶段排列缺口优先级
priority_order = {
"TA0001": 1, "TA0002": 2, "TA0003": 3, "TA0004": 4,
"TA0005": 5, "TA0006": 6, "TA0007": 7, "TA0008": 8,
"TA0009": 9, "TA0010": 10, "TA0011": 11, "TA0040": 12
}
gap_details = []
for tech_id in gaps:
gap_details.append({
"technique": tech_id,
"priority": "HIGH" if tech_id.split(".")[0] in ["T1003", "T1021", "T1059"] else "MEDIUM",
"recommendation": f"为 {tech_id} 构建检测"
})
return {
"total_actor_techniques": len(threat_techniques),
"covered": len(covered),
"gaps": len(gaps),
"coverage_pct": round(len(covered)/len(threat_techniques)*100, 1),
"gap_details": sorted(gap_details, key=lambda x: x["priority"])
}
# 运行分析
result = gap_analysis(fin7_techniques, current_coverage)
步骤 5：创建优先级修复计划
构建检测工程路线图：
threat_model_remediation_plan:
assessed_date: 2024-03-15
primary_threats:
- FIN7（金融行业）
- APT38（朝鲜金融）
- Lazarus Group（破坏性攻击）
current_coverage: 64%
target_coverage: 80%
priority_1_gaps: # 30 天目标
- technique: T1021.002
name: SMB/Windows 管理共享
data_source: Windows Security Event 5140
effort: 低
detection_approach: 监控来自非管理工作站的管理共享访问
- technique: T1003.006
name: DCSync
data_source: Windows Security Event 4662
effort: 中
detection_approach: 检测来自非域控制器的 DS-Replication-Get-Changes
priority_2_gaps: # 60 天目标
- technique: T1055
name: 进程注入
data_source: Sysmon EventCode 8, 10
effort: 高
detection_approach: 监控跨进程内存访问模式
- technique: T1071.001
name: Web 协议（C2）
data_source: 代理/防火墙日志
effort: 中
detection_approach: 检测 HTTP/S 流量中的信标模式
priority_3_gaps: # 90 天目标
- technique: T1070.004
name: 文件删除
data_source: Sysmon EventCode 23
effort: 低
detection_approach: 监控敏感目录中的批量文件删除
步骤 6：通过对手仿真验证
使用 MITRE Caldera 或 Atomic Red Team 测试覆盖率：
# 使用 Atomic Red Team 验证 FIN7 技术覆盖率
# T1566.001 — 鱼叉式钓鱼附件
Invoke-AtomicTest T1566.001
# T1059.001 — PowerShell
Invoke-AtomicTest T1059.001 -TestNumbers 1,2,3
# T1053.005 — 计划任务
Invoke-AtomicTest T1053.005
# T1547.001 — 注册表运行键
Invoke-AtomicTest T1547.001
# T1003 — 凭据转储
Invoke-AtomicTest T1003 -TestNumbers 1,2
# 验证检测
# 在 15 分钟内检查 SIEM 中是否有相应告警
记录仿真结果以验证威胁模型准确性。
核心概念
| 术语 | 定义 |
|---|---|
| MITRE ATT&CK | 基于真实观察的对手战术、技术和程序知识库 |
| TTP | 战术、技术和程序（Tactics, Techniques, and Procedures）——对手组织的行为模式 |
| ATT&CK Navigator | 用于以分层热力图可视化 ATT&CK 矩阵（显示覆盖率或威胁画像）的 Web 工具 |
| 缺口分析（Gap Analysis） | 将威胁行为者 TTP 与检测覆盖率进行比较以识别盲区的过程 |
| 威胁驱动防御（Threat-Informed Defense） | 基于实际对手行为而非理论风险来确定防御优先级的安全策略 |
| 对手仿真（Adversary Emulation） | 受控模拟威胁行为者 TTP 以验证检测和响应能力 |
工具与系统
- MITRE ATT&CK Navigator：用于创建和叠加 ATT&CK 技术层的基于 Web 的可视化工具
- MITRE Caldera：用于规模化测试检测覆盖率的自动化对手仿真平台
- Atomic Red Team：用于安全控制验证的 ATT&CK 技术测试开源库
- CTID ATT&CK Workbench：用于以组织上下文定制 ATT&CK 知识库的 MITRE 工具
- Tidal Cyber：使用 ATT&CK 框架进行威胁驱动防御规划的商业平台
常见场景
- 年度威胁评估：映射前 5 大威胁行为者到 ATT&CK，叠加到检测上，生成缺口分析
- 云迁移规划：对云特定威胁（T1078.004、T1537）建模并规划检测覆盖率
- 并购安全评估：针对相关威胁行为者对被收购公司环境进行威胁建模
- 预算论证：使用缺口分析展示需要工具投资的检测盲区
- 紫队规划：基于威胁模型中优先级最高的缺口选择对手仿真场景
输出格式
威胁模型评估 — 金融服务部门
━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━
日期： 2024-03-15
威胁行为者： FIN7、APT38、Lazarus Group
技术总计： 所有行为者共计 87 种独特技术
检测覆盖率：
已覆盖： 56/87 (64%)
缺口： 31/87 (36%)
战术覆盖率分解：
初始访问： 78% ████████░░
执行： 82% █████████░
持久化： 71% ████████░░
权限提升： 65% ███████░░░
防御规避： 52% ██████░░░░ <-- 优先缺口
凭据访问： 58% ██████░░░░ <-- 优先缺口
发现： 45% █████░░░░░
横向移动： 61% ███████░░░
数据收集： 50% ██████░░░░
渗漏： 55% ██████░░░░
C2： 67% ███████░░░
优先缺口（30 天修复计划）：
1. T1055 进程注入 — 所有 3 个行为者均使用，0 条检测
2. T1003.006 DCSync — FIN7 和 Lazarus 使用，0 条检测
3. T1070.004 文件删除 — 证据销毁，0 条检测
投资建议：
弥补前 10 个缺口需要：2 名检测工程师 FTE，60 天
预期覆盖率提升：64% -> 76%