Skip to content
KitploitKITPLOIT
ToolsExploitsBlog
Log in
Einreichen
ToolsExploitsBlog
Einreichen

Hacking-, PenTest- und Cybersicherheits-Tools für Ihr Sicherheitsarsenal!

Kitploit ist ein Verzeichnis von Hacking-, Cybersicherheits- und Pentesting-Tools. Entdecken Sie die neuesten Projekt-Updates, um Schwachstellen zu finden, Systeme zu analysieren, Tests zu automatisieren und Ihre Sicherheit zu stärken.

FeedsKontaktDatenschutz© 2026 Kitploit

Tool-Verzeichnis

Kategorien

Alle Kategorien anzeigen
Loading categories
Analysis — Praktische Analyse gängiger APT-Angriffstechniken, mit Fokus darauf, wie sie in Logs auftauchen und wie Verteidiger sie realistisch erkennen können. | Kitploit
Tools/GitHubGitHub/manishrawat21/analysis
Lernen & BildungIncident ResponseLog-Analyse
GitHubmanishrawat21/analysis

Analysis

Praktische Analyse gängiger APT-Angriffstechniken, mit Fokus darauf, wie sie in Logs auftauchen und wie Verteidiger sie realistisch erkennen können.

Repository anzeigenWebseite
6130vor 6 MonatenNoch nicht geprüft
Teilen

Detection Engineering: Notizen und Analysen

Dieses Repository dokumentiert praxisnahe Erkennungsforschung basierend auf Labortests, Loganalysen und realen SOC-Workflows.

Der Fokus liegt darauf, wie Angreifertechniken tatsächlich in Logs erscheinen, welche Erkennungslogik in der Praxis funktioniert, was fehlschlägt und wo Fehlalarme entstehen. Alle Inhalte sind aus defensiver Perspektive für Analysten und Detection Engineers verfasst.

Dies ist keine offensive Toolnutzung oder Exploit-Entwicklung.


Was dieses Repository enthält

DLL Hijacking und Side Loading

Analyse- und Erkennungsnotizen zu DLL-Hijacking- und Side-Loading-Aktivitäten auf Windows-Systemen.

Behandelte Themen:

  • Wie legitime ausführbare Dateien schädliche DLLs laden
  • Häufige Ausführungspfade, die beim Side Loading missbraucht werden
  • Korrelation zwischen Prozessausführung, Dateierstellung und Image-Load-Ereignissen
  • Verhaltensbasierte Erkennungslogik anstelle von Dateinamen-Abgleich
  • Während realer Tests beobachtete False Positives

Häufig identifizierte False Positives:

  • Chrome- und Chromium-basierte Anwendungen
  • Visual Studio Code
  • Python-Ausführungen
  • Electron-basierte Desktop-Anwendungen

Der Schwerpunkt liegt darauf, erwartetes Anwendungsverhalten von Aktivitäten zu trennen, die tatsächlich eine Untersuchung erfordern.


PowerShell-kodierte Befehlserkennung

Forschung darüber, wie kodierte PowerShell-Befehle in Logs erscheinen und wie Angreifer einfache Erkennungen umgehen.

Enthält:

  • ScriptBlock- und Modullogging-Verhalten (4104, 4103, 400, 800)
  • Warum Parameter-Verschleierung schlüsselwortbasierte Erkennungen umgeht
  • Splunk-Abfragen, die fehlschlugen und warum
  • Regex-basierte Erkennungsansätze
  • Kontextgesteuerte Erkennungen zur Rauschreduzierung
  • Beispiel für Sigma-ähnliche Erkennungslogik aus Laborbeobachtungen

Alle Tests werden mit realistischer Telemetrie durchgeführt, nicht mit idealen Unternehmensumgebungen.


Erkennungsphilosophie

Effektive Erkennung hat selten mit einzelnen Indikatoren zu tun.

Dieses Repository konzentriert sich auf:

  • Verhaltenskorrelation statt statischer Signaturen
  • Verständnis, wie SIEM-Plattformen Daten indizieren und tokenisieren
  • Reduzierung von False Positives vor der Erhöhung des Alarmvolumens
  • Erstellung von Erkennungen, die Analysten realistisch untersuchen können

Leitfrage: Würde diese Erkennung in einer echten SOC-Umgebung überleben?


Für wen dieses Repository gedacht ist

  • SOC-Analysten
  • Detection Engineers
  • Threat Hunter
  • Blue-Team-Praktiker, die Erkennungen optimieren
  • Sicherheitsfachleute, die lernen, wie Angriffe in Logs sichtbar werden

Offen für Zusammenarbeit

Interesse an der Zusammenarbeit mit Teams zu:

  • Detection-Engineering-Frameworks
  • Threat-Hunting-Operationen
  • SOC-Skalierung und -Optimierung

Wenn Sie an schwierigen Erkennungsproblemen arbeiten, lassen Sie uns sprechen.


Unterstützen Sie das Projekt

Wenn Sie dieses Repository nützlich finden oder etwas daraus lernen, ziehen Sie in Betracht, ihm einen Stern zu geben.
Es hilft, die Forschung zu mehr Analysten zu bringen und fördert die weitere Arbeit.


Vernetzen und folgen Sie der Arbeit

GitHub
https://github.com/Manishrawat21

LinkedIn
https://www.linkedin.com/in/manishrawat-soc/

Medium
Erkennungsberichte und laborbasierte Forschung


Anmerkungen

Alle Abfragen und Erkennungslogiken sind Ausgangspunkte und sollten an Ihre Umgebung angepasst werden.

Dieses Repository entwickelt sich weiter, wenn neue Erkennungsforschung hinzugefügt wird.

Tool herunterladen

Beliebteste

Alle anzeigen →

Entdecken Sie die meistgenutzten Tools unserer Community.

  • 1

    OsintHunter

    letox4/osinthunter

    🎯 Das ultimative OSINT-Toolkit: Untersuchungsgraph, Konfidenzbewertung, Alias-Familien, Karte, Zeitleiste und Berichte. 49 Module, 400+ Websites, keine API-Schlüssel erforderlich.

    516
  • 2

    ghostlock-app

    yukonga/ghostlock-app

    GhostLock One-Tap Execution App (CVE-2026-43499)

    476
  • 3

    ARTEX

    baarai/artex

    LLM-basierte Multi-Agenten-Plattform für autonome Penetrationstests mit Planer-/Worker-Agenten, Asset- und Explorationsgraphen, MITM-Verkehrsaufzeichnung und Schwachstellen-Retesting.

    355
  • 4

    redforge

    cybersecurity91/redforge

    Browser-seitiges Red-Team-Toolkit mit 102 Offline-Tools für Recon, Payload-Generierung, Credential-Angriffe, Krypto, Encoding und Engagement-Reporting.

    315
  • 5

    estorides

    grisuno/estorides

    Aggregiert 99+ kostenlose OSINT-Quellen parallel, löst Entitäten in einen Knowledge Graph auf und exportiert STIX 2.1, MISP oder GraphML mit LLM-gestützter Analyse.

    303
  • 6

    opencti

    opencti-platform/opencti

    Offene Plattform für Cyber-Bedrohungsinformationen

    285

Alle Tools erkunden

Durchsuchen Sie unsere Tool-Sammlung

Alle Tools anzeigen →