MAD-CAT
[Meow Attack Data Corruption Automation Tool]

Überblick

MAD-CAT (Meow Attack Data Corruption Automation Tool) ist ein umfassendes Sicherheitstool, das entwickelt wurde, um Datenkorruptionsangriffe gegen mehrere Datenbanksysteme zu simulieren. Das Tool unterstützt sowohl Einzelziel-Angriffe als auch Massenangriffskampagnen auf CSV-Basis sowie Angriffsszenarien mit und ohne Anmeldedaten.

Unterstützte Datenbankdienste

Das Tool unterstützt derzeit die folgenden Datenbankdienste:

• MongoDB (Port 27017)
• Elasticsearch (Port 9200)
• Cassandra (Port 9042)
• Redis (Port 6379)
• CouchDB (Port 5984)
• Hadoop HDFS (Port 9870)

Installation

# Clone the repository
git clone https://github.com/karlvbiron/MAD-CAT.git

# Navigate to the tool directory
cd MAD-CAT

# Set up the virtual environment
python3 -m venv venv
source venv/bin/activate

# Install dependencies
pip install -r requirements.txt

Befehlszeilenargumente

Argument	Beschreibung
-l, --list	Unterstützte Datenbankdienste auflisten
-c, --csv	CSV-Datei mit der Zielliste (Format: ip,service,port,username,password)
-t, --target	IP-Adresse des Zielhosts (für den Einzelzielmodus)
-s, --service	Datenbankdienst, der angegriffen werden soll (z. B. mongodb, elasticsearch, cassandra, redis, couchdb, hadoop)
-p, --port	Portnummer (falls nicht Standard)
-u, --username	Benutzername für die Authentifizierung
-pw, --password	Passwort für die Authentifizierung
-v, --verbose	Ausführliche Ausgabe aktivieren

Anwendungsbeispiele

Unterstützte Dienste auflisten

python mad_cat.py -l

Einzelziel-Angriffe

MongoDB-Simulation (mit Anmeldedaten)

python mad_cat.py -t 192.168.1.11 -s mongodb -u root -pw example

Elasticsearch-Simulation (ohne Anmeldedaten)

python mad_cat.py -t 192.168.1.12 -s elasticsearch

Cassandra-Simulation

python mad_cat.py -t 192.168.1.13 -s cassandra

Redis-Simulation

python mad_cat.py -t 192.168.1.14 -s redis

CouchDB-Simulation (mit Anmeldedaten)

python mad_cat.py -t 192.168.1.15 -s couchdb -u admin -pw password

Hadoop-HDFS-Simulation

python mad_cat.py -t 192.168.1.16 -s hadoop

CSV-Massenangriffsmodus

Greifen Sie mehrere Ziele mithilfe einer CSV-Datei an:

python mad_cat.py -c list.csv

CSV-Dateiformat

Die CSV-Datei sollte ein Ziel pro Zeile im folgenden Format enthalten:

192.168.1.11,mongodb,27017,"root","example"
192.168.1.12,elasticsearch,9200,"",""
192.168.1.13,cassandra,9042,"",""
192.168.1.14,redis,6379,"",""
192.168.1.15,couchdb,5984,"admin","password"
192.168.1.16,hadoop,9870,"",""

Format: ip,service,port,username,password

• Für Angriffe ohne Anmeldedaten lassen Sie Benutzername/Passwort leer (\"\").

Projektstruktur

MAD-CAT/
├── __init__.py
├── core/
│   ├── __init__.py
│   ├── base_attacker.py          # Abstract base class for all attackers
│   └── attack_factory.py         # Factory pattern for attacker creation
├── attackers/
│   ├── __init__.py               # Attacker registration
│   ├── mongodb.py                # MongoDB attacker implementation
│   ├── elasticsearch.py          # Elasticsearch attacker implementation
│   ├── cassandra.py              # Cassandra attacker implementation
│   ├── redis.py                  # Redis attacker implementation
│   ├── couchdb.py                # CouchDB attacker implementation
│   └── hadoop.py                 # Hadoop HDFS attacker implementation
├── utils/
│   ├── __init__.py
│   └── logging.py                # Logging configuration
├── dockerized-database-infrastructure/
│   ├── docker-compose.yml        # Docker Compose configuration
│   └── init-scripts/
│       ├── mongodb/
│       │   └── mongodb-init.js
│       ├── elasticsearch/
│       │   ├── es-custom-entrypoint.sh
│       │   └── es-bulk_data.json
│       ├── cassandra/
│       │   ├── cassandra-entrypoint.sh
│       │   └── cassandra-init.cql
│       ├── couchdb/
│       │   ├── couchdb-entrypoint.sh
│       │   └── couchdb-init.sh
│       ├── hadoop/
│       │   ├── hadoop-entrypoint.sh
│       │   └── hadoop-init.sh
│       └── redis/
│           ├── redis-entrypoint.sh
│           └── redis-init.sh
├── mad_cat.py                    # Main entry point
├── fetch_data.py                 # Utility to fetch and verify database data
├── list.csv                      # Example CSV file for bulk attacks
├── requirements.txt              # Python dependencies
└── README.md                     # This file

Funktionen

• ✅ 6 Datenbankdienste: MongoDB, Elasticsearch, Cassandra, Redis, CouchDB, Hadoop HDFS
• ✅ Angriffe mit und ohne Anmeldedaten: Unterstützt beide Authentifizierungsmodi
• ✅ Einzelzielmodus: Einzelne Datenbankinstanzen angreifen
• ✅ CSV-Massenangriffsmodus: Mehrere Ziele aus einer CSV-Datei angreifen
• ✅ Factory-Pattern-Architektur: Einfach um neue Datenbank-Angreifer erweiterbar
• ✅ Umfassende Protokollierung: Zeitgestempelte Logs, gespeichert im Verzeichnis logs/
• ✅ Benutzerbestätigung: Erfordert eine explizite Bestätigung vor der Ausführung von Angriffen
• ✅ Angriffsstatistiken: Detaillierte Berichte über betroffene Datenbanken, Sammlungen und Datensätze
• ✅ Unterstützung für Standardports: Verwendet automatisch Standardports, falls nicht angegeben

Funktionsweise

MAD-CAT simuliert einen Datenkorruptionsangriff, indem es:

1. Verbinden mit der Zieldatenbank mithilfe der bereitgestellten Anmeldedaten (oder Versuch eines anonymen Zugriffs)
2. Aufzählen aller Datenbanken und Sammlungen/Tabellen (ohne Systemdatenbanken)
3. Korrumpieren der Daten, indem Zeichenfolgen-/Zahlenwerte durch zufällige alphanumerische Zeichenfolgen gefolgt von "-MEOW" ersetzt werden
4. Melden von Statistiken zu verarbeiteten Datenbanken, betroffenen Sammlungen und geänderten Datensätzen

Angriffsablauf

Target → Connect → List Databases → For Each Database:
                                      ├─ List Collections
                                      └─ For Each Collection:
                                          ├─ Fetch All Records
                                          ├─ Replace Values with {random}-MEOW
                                          └─ Update Records

Standardports

Dienst	Standardport
MongoDB	27017
Elasticsearch	9200
Cassandra	9042
Redis	6379
CouchDB	5984
Hadoop HDFS	9870

Zusätzliche Tools

fetch_data.py

Ein Hilfsskript zum Abrufen und Anzeigen von Daten aus allen unterstützten Datenbanken:

# Fetch from all databases and verify consistency
python fetch_data.py all

# Fetch from specific database
python fetch_data.py mongo
python fetch_data.py elasticsearch
python fetch_data.py cassandra
python fetch_data.py redis
python fetch_data.py couchdb
python fetch_data.py hadoop