MAD-CAT
[Herramienta de Automatización de Corrupción de Datos Meow Attack]

Descripción general

MAD-CAT (Herramienta de Automatización de Corrupción de Datos Meow Attack) es una herramienta de seguridad integral diseñada para simular ataques de corrupción de datos contra múltiples sistemas de bases de datos. La herramienta soporta tanto ataques de objetivo único como campañas de ataque masivo basadas en CSV, con soporte para escenarios de ataque con y sin credenciales.

Servicios de Base de Datos Soportados

The tool currently supports the following database services:

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

Instalación

# Clonar el repositorio
git clone https://github.com/karlvbiron/MAD-CAT.git

# Navegar al directorio de la herramienta
cd MAD-CAT

# Configurar el entorno virtual
python3 -m venv venv
source venv/bin/activate

# Instalar dependencias
pip install -r requirements.txt

Argumentos de Línea de Comandos

Argumento	Descripción
-l, --list	Listar servicios de base de datos soportados
-c, --csv	Archivo CSV que contiene la lista de objetivos (formato: ip,service,port,username,password)
-t, --target	Dirección IP del host objetivo (para modo de objetivo único)
-s, --service	Servicio de base de datos a atacar (ej., mongodb, elasticsearch, cassandra, redis, couchdb, hadoop)
-p, --port	Número de puerto (si no es el predeterminado)
-u, --username	Nombre de usuario para autenticación
-pw, --password	Contraseña para autenticación
-v, --verbose	Habilitar salida detallada

Ejemplos de Uso

Listar Servicios Soportados

python mad_cat.py -l

Ataques de Objetivo Único

Simulación de MongoDB (Con Credenciales)

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

Simulación de Elasticsearch (Sin Credenciales)

python mad_cat.py -t 192.168.1.12 -s elasticsearch

Simulación de Cassandra

python mad_cat.py -t 192.168.1.13 -s cassandra

Simulación de Redis

python mad_cat.py -t 192.168.1.14 -s redis

Simulación de CouchDB (Con Credenciales)

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

Simulación de Hadoop HDFS

python mad_cat.py -t 192.168.1.16 -s hadoop

Modo de Ataque Masivo CSV

Atacar múltiples objetivos usando un archivo CSV:

python mad_cat.py -c list.csv

Formato del Archivo CSV

El archivo CSV debe contener un objetivo por línea con el siguiente formato:

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,"",""

Formato: ip,service,port,username,password

• Deje usuario/contraseña como cadenas vacías ("") para ataques sin credenciales

Estructura del Proyecto

MAD-CAT/
├── __init__.py
├── core/
│   ├── __init__.py
│   ├── base_attacker.py          # Clase base abstracta para todos los atacantes
│   └── attack_factory.py         # Patrón de fábrica para creación de atacantes
├── attackers/
│   ├── __init__.py               # Registro de atacantes
│   ├── mongodb.py                # Implementación del atacante MongoDB
│   ├── elasticsearch.py          # Implementación del atacante Elasticsearch
│   ├── cassandra.py              # Implementación del atacante Cassandra
│   ├── redis.py                  # Implementación del atacante Redis
│   ├── couchdb.py                # Implementación del atacante CouchDB
│   └── hadoop.py                 # Implementación del atacante Hadoop HDFS
├── utils/
│   ├── __init__.py
│   └── logging.py                # Configuración de registro
├── dockerized-database-infrastructure/
│   ├── docker-compose.yml        # Configuración de Docker Compose
│   └── 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                    # Punto de entrada principal
├── fetch_data.py                 # Utilidad para obtener y verificar datos de la base de datos
├── list.csv                      # Archivo CSV de ejemplo para ataques masivos
├── requirements.txt              # Dependencias de Python
└── README.md                     # Este archivo

Características

• ✅ 6 Servicios de Base de Datos: MongoDB, Elasticsearch, Cassandra, Redis, CouchDB, Hadoop HDFS
• ✅ Ataques con y sin Credenciales: Soporta ambos modos de autenticación
• ✅ Modo de Objetivo Único: Atacar instancias de base de datos individuales
• ✅ Modo de Ataque Masivo CSV: Atacar múltiples objetivos desde un archivo CSV
• ✅ Arquitectura de Patrón de Fábrica: Fácil de extender con nuevos atacantes de base de datos
• ✅ Registro Integral: Registros con marca de tiempo guardados en el directorio logs/
• ✅ Confirmación del Usuario: Requiere confirmación explícita antes de ejecutar ataques
• ✅ Estadísticas de Ataque: Informe detallado de bases de datos, colecciones y registros afectados
• ✅ Soporte de Puertos Predeterminados: Usa automáticamente puertos estándar si no se especifica

Cómo Funciona

MAD-CAT simula un ataque de corrupción de datos al:

1. Conectarse a la base de datos objetivo usando las credenciales proporcionadas (o intentar acceso anónimo)
2. Enumerar todas las bases de datos y colecciones/tablas (excluyendo bases de datos del sistema)
3. Corromper datos reemplazando valores de cadenas/números con cadenas alfanuméricas aleatorias seguidas de "-MEOW"
4. Reportar estadísticas sobre bases de datos procesadas, colecciones afectadas y registros modificados

Flujo de Trabajo del Ataque

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

Puertos Predeterminados

Servicio	Puerto Predeterminado
MongoDB	27017
Elasticsearch	9200
Cassandra	9042
Redis	6379
CouchDB	5984
Hadoop HDFS	9870

Herramientas Adicionales

fetch_data.py