Skip to content
KitploitKITPLOIT
HerramientasExploitsBlog
Log in
Enviar
HerramientasExploitsBlog
Enviar

¡Herramientas de Hacking, PenTest y Ciberseguridad para tu Arsenal de Seguridad!

Kitploit es un directorio de herramientas de hacking, ciberseguridad y pentesting. Descubre las últimas actualizaciones de proyectos para encontrar vulnerabilidades, analizar sistemas, automatizar pruebas y fortalecer tu seguridad.

FeedsContactoPrivacidad© 2026 Kitploit

Directorio de Herramientas

Categorías

Ver todas las categorías
Loading categories
maude-hcs — Marco de modelado y análisis formal para sistemas de comunicación ocultos, que permite la especificación de canales encubiertos, modelos adversarios y verificación estadística de modelos de las compensaciones entre indetectabilidad y rendimiento. | Kitploit
Herramientas/GitHubGitHub/raytheonbbn/maude-hcs
Seguridad de RedesEsteganografíaPrivacidadPapers e InvestigaciónAprendizaje y EducaciónAnálisis de DNS
GitHubraytheonbbn/maude-hcs

maude-hcs

Marco de modelado y análisis formal para sistemas de comunicación ocultos, que permite la especificación de canales encubiertos, modelos adversarios y verificación estadística de modelos de las compensaciones entre indetectabilidad y rendimiento.

Ver Repositorio
521747hace 1 díaRevisado por Kitploit
Compartir

Maude-HCS

Maude-HCS es una de las primeras cadenas de herramientas generalizadas y modulares para especificar formalmente y razonar sobre Sistemas de Comunicación Oculta (HCS, por sus siglas en inglés) a escalas del mundo real. Permite a los diseñadores de redes explorar diseños alternativos de HCS de forma rápida y efectiva y proporciona las garantías formales de privacidad-rendimiento necesarias para confiar en el diseño.

Introducción

Los sistemas de comunicación oculta (HCS) incorporan mensajes encubiertos dentro de la actividad normal de la red para ocultar la presencia de comunicación. En la práctica, la indetectabilidad de un HCS se evalúa típicamente utilizando estadísticas de tráfico ad hoc o detectores específicos, lo que hace que las afirmaciones de seguridad estén estrechamente acopladas a configuraciones experimentales y a supuestos implícitos sobre el adversario.

Maude-HCS es un marco de modelado y análisis ejecutable que proporciona una base fundamentada y ejecutable para razonar sobre los compromisos entre indetectabilidad y rendimiento en diseños complejos de HCS. Los diseñadores especifican formalmente el comportamiento del protocolo, los observables del adversario y los supuestos del entorno, y generan muestras de Monte Carlo a partir de las distribuciones de trazas inducidas. Estas pueden utilizarse para auditar las afirmaciones de indetectabilidad estimando las tasas de verdaderos y falsos positivos de una prueba estadística y convirtiendo estas estimaciones en cotas inferiores de las medidas de indetectabilidad. Esto permite una evaluación sistemática de la detectabilidad y sus compromisos con el rendimiento bajo supuestos de modelado explícitamente declarados.

Por favor, póngase en contacto con nosotros si necesita asistencia para modelar y razonar sobre su HCS. Y considere citar nuestro trabajo si lo utiliza como parte de su investigación.

@article{khoury2026maude,
  title={Maude-HCS: Model Checking the Undetectability-Performance Tradeoffs of Hidden Communication Systems},
  author={Khoury, Joud and Kim, Minyoung and Merlin, Christophe and Meseguer, Jos{\'e} and Ratliff, Zachary and Talcott, Carolyn},
  journal={arXiv preprint arXiv:2603.03369},
  year={2026}
}

Requisitos

Requiere la versión de Python 3.12.4

Crea tu entorno preferido y actívalo, por ejemplo

Para pyenv

pyenv install 3.12.4
pyenv local 3.12.4

Para conda

conda create --name pwnd2 python=3.12.4
conda activate pwnd2

Para entorno virtual

python -m venv venv
source venv/bin/activate

Instalación: desde el código fuente de git

Estructuramos el código fuente del repositorio de manera que importamos dns-formalization-maude como una dependencia (un submódulo). Creamos un fork de esta dependencia para poder rastrear nuestros cambios en ella. Usamos sparse-checkout para evitar tener que hacer checkout de todo el código fuente de la dependencia, que incluye muchos archivos irrelevantes (como Testbed).

Para clonar el repositorio principal

git clone [email protected]:raytheonbbn/maude-hcs.git

La rama principal contiene el código fuente más reciente (posiblemente inestable). Las ramas/etiquetas más antiguas, como pwnd.cp1, hacen referencia a instantáneas estables utilizadas para producir resultados durante las evaluaciones (por ejemplo, pwnd.cp1 se usó para el problema de desafío 1, y de manera similar pwnd.cp2). Para usar una instantánea más antigua, haga checkout de la rama específica (p. ej., pwnd.cp1).

Configure el submódulo dns usando nuestro clon del código para que podamos rastrear los cambios realizados en el código fuente original; use sparse-checkout para conservar solo las fuentes relevantes

cd maude-hcs
mkdir -p maude_hcs/deps
git submodule add -b <branch> -f [email protected]:raytheonbbn/dns-formalization-maude.git \
  maude_hcs/deps/dns_formalization
cd maude_hcs/deps/dns_formalization
git sparse-checkout init --cone
git sparse-checkout set "Maude/dns" "Maude/common" "Maude/test" "Maude/attack_exploration"
cd ../../../
git reset .gitmodules
git reset maude_hcs/deps/dns_formalization

En el comando anterior, establezca <branch> ya sea en pwnd.43.rb1 para reproducir los resultados del problema de desafío 1, o en pwnd para la versión más reciente.

Lo anterior debería crear un nuevo archivo llamado sparse-checkout bajo .git/modules/maude_hcs/deps/dns_formalization/info/ e indicarle que solo incluya ciertos directorios como Maude/src.

En este punto, git status debería mostrar un inicio limpio.

Para instalar, primero instale la dependencia como un paquete llamado dns, que importamos como Maude.* y luego instale maude_hcs como un paquete (con dependencia de dns).

cd maude_hcs/deps/dns_formalization
pip install -e .
cd ../../../
pip install -e .

Generación automática de modelos de usuario

Los modelos de usuario son modelos de Markov destinados a representar cómo se comportan los usuarios. Estos se proporcionan en formato json. El primer paso es convertirlos a representaciones formales en maude.

Para ello, especifique

  • protocol: dns o mastodon
  • directorio de entrada que contiene todos los modelos json que desea convertir
  • directorio de salida que contendrá todas las versiones maude de los modelos json

Por ejemplo,

# convert dns tgen user models
 maude-hcs --verbose \ 
    --protocol=dns markov \
    --json-dir=../pwnd-cp2/src/static/tgen_models/dns/ \ 
    --maude-dir=./maude_hcs/lib/tgen/maude/dnsprofiles/markov/
    
# convert mastodon tgen models
maude-hcs --verbose \
    --protocol=mastodon markov \
    --json-dir=../pwnd-cp2/src/static/tgen_models/mastodon \
    --maude-dir="./maude_hcs/lib/raceboat/maude/mastodonprofiles/"

Véanse las especificaciones de ejemplo de markov json en ./maude_hcs/lib/tgen/maude/dnsprofiles/markov/ (y de forma similar para mastodon), junto con sus especificaciones maude convertidas.

Autogenerar configuraciones de HCS

Generamos las configuraciones iniciales usando el comando generate. Las configuraciones de HCS se pueden pasar directamente en json usando los parámetros de configuración de HCS, o usando un archivo de configuración de experimento de Shadow, o usando un archivo de configuración YML. Cada una de estas se describe a continuación.

Usar la configuración json de HCS

Pase un archivo de configuración json de maude-hcs de la siguiente manera,

Para generar una configuración de modelo DNS probabilístico con iodine y especificar el nombre del archivo de salida,

 maude-hcs --verbose generate \
        --run-args="./use-cases/challenge-problem-2/cp2_scenarios/cp2_scenario_1-hcsconfig.json" \
        --model=prob \
        --filename="cp2_scenario_1" \
        --output-dir="./use-cases/challenge-problem-2/cp2_scenarios/"

Establece --model=nondet para generar una versión no determinista.

Esto produce el archivo maude ejecutable (y el json de configuración HCS correspondiente) en el directorio de salida. El archivo json de configuración de entrada debería ser sencillo de seguir. Incluye la especificación de

  • topología de red (enlaces y sus características)
  • adversario (en este caso, perfiles de detector zeek, datos de referencia para detectores de media móvil y sus configuraciones)
  • canales/protocolos: cada protocolo incluye una red encubierta y un protocolo de red subyacente. La primera oculta/embebe datos en el segundo. Por ejemplo, Iodine se embebe en DNS (por lo que el canal se denomina iodine-dns) y Destini se embebe en Mastodon

Consulta HCSParamsGuide para una descripción de algunos de los parámetros. Ten en cuenta que el modelo probabilístico combinará los parámetros no deterministas así como los parámetros probabilísticos (que anulan los no deterministas).

Descargar herramienta

Más Populares

Ver todos →

Descubre las herramientas más usadas por nuestra comunidad.

  • 1

    OsintHunter

    letox4/osinthunter

    🎯 El kit de herramientas OSINT definitivo: grafo de investigación, puntuación de confianza, familias de alias, mapa, línea de tiempo e informes. 49 módulos, más de 400 sitios, sin necesidad de claves API.

    755
  • 2

    ghostlock-app

    yukonga/ghostlock-app

    # Aplicación de Ejecución con un Solo Toque GhostLock (CVE-2026-43499)

    510
  • 3

    ARTEX

    baarai/artex

    Plataforma de pruebas de penetración autónoma multiagente basada en LLM con agentes planificadores/trabajadores, grafos de activos y de exploración, registro de tráfico MITM y reevaluación de vulnerabilidades.

    415
  • 4

    redforge

    cybersecurity91/redforge

    Kit de herramientas de red team del lado del navegador con 102 herramientas offline para reconocimiento, generación de payloads, ataques de credenciales, criptografía, codificación y elaboración de informes de compromiso.

    343
  • 5

    antifox

    antifox-ai/antifox

    Plataforma de pruebas de penetración autónoma con múltiples agentes de IA que ejecuta reconocimiento, descubrimiento de superficie de ataque, validación de explotación y entrega de informes respaldados por evidencia.

    259
  • 6

    CyberStrikeAI

    ed1s0nz/cyberstrikeai

    El sistema de acción para la ciberseguridad nativa de IA—donde la intención se convierte en ejecución gobernada, la evidencia se convierte en memoria operativa y cada operación mejora la siguiente.

    258

Explora todas las herramientas

Explora nuestra colección de herramientas

Ver todas las herramientas →