Wichtige Erkenntnisse

  • Eine Studie von Palo Alto Networks ergab, dass über 90 % der entdeckten malware eine Form der C2-Kommunikation verwendet, um dem Angreifer Bericht zu erstatten.
  • Laut dem Data Breach Investigations Report von Verizon waren fast 70 % der Sicherheitsverletzungen in irgendeiner Form mit C2-Aktivitäten verbunden, was ihre Rolle bei Cyberangriffen unterstreicht.

Die Command and Control (C2) ist für Angreifer von zentraler Bedeutung, um die Kontrolle über kompromittierte Systeme zu behalten und sie zur Ausführung bösartiger Aktivitäten oder zur Exfiltration von Daten zu veranlassen. Diese Kommunikation stellt eine kritische Phase im Lebenszyklus eines Angriffs dar, da sie einen dauerhaften, unbemerkten Zugriff auf die Umgebung des Opfers ermöglicht. In diesem Leitfaden wird betont, wie wichtig es ist, die C2-Kommunikation zu identifizieren und zu unterbrechen, um Bedrohungen zu entschärfen und Unternehmenswerte zu schützen.

Verstehen, wie Angreifer Command and Control nutzen

Bei jedem netzwerkbasierten Angriff stützt sich der Angreifer auf einen Befehls- und Kontrollkanal (C2), um seine Aktionen auszuführen. Indem er bösartige Software auf einem Host-Rechner installiert, stellt er eine Verbindung mit einem externen Server her. Überraschenderweise sind es die vom externen Server erhaltenen Anweisungen, die die Aktionen des infizierten Host-Rechners diktieren und es dem Angreifer ermöglichen, seinen Angriff fortzusetzen.

Befehls- und Kontrolltools wie Cobalt Strike und Metasploit, werden häufig von Angreifern verwendet. Diese Tools unterstützen die Verschlüsselung des Kanals und verwenden Techniken wie Domain Fronting und Session Jitter, um einer Erkennung zu entgehen.

‍

Erkennung von Command and Control unabhängig von der Verschlüsselung

Vectra AI verfolgt einen anderen Ansatz bei der Erkennung von Command-and-Control-Kanälen. Unabhängig von Verschlüsselungs- oder Umgehungstechniken gewährleistet der sicherheitsorientierte Ansatz von Vectra AI eine zuverlässige Erkennung. Anstatt sich auf einen mathematisch orientierten Ansatz zu verlassen, konzentriert sich das Sicherheitsforschungsteam von Vectra AI auf Verhaltensmuster.

Bei der Untersuchung des Verhaltens eines Command-and-Control-Kanals stellte das Team von Vectra AI fest, dass die deutlichsten Indikatoren in der zeitlichen Entwicklung des Netzwerkverkehrs zu finden sind. Zur Analyse dieser Zeitreihendaten setzten die Datenwissenschaftler von Vectra AI Deep-Learning-Modelle ein, insbesondere LSTM (Long Short-Term Memory), die sich besonders gut für das Verständnis von Ereignissen auf verschiedenen Zeitskalen eignen. Auf diese Weise kann Vectra AI die Art einer Command-and-Control-Kommunikation effektiv identifizieren, unabhängig von den konkret verwendeten Tools.

Wie sieht der normale Verkehr aus?

Nachstehend ein repräsentatives Beispiel für gutartigen Datenverkehr von einem externen System.

Beispiel für gutartigen Baken-Datenübertragungsverkehr.

Im obigen Beispiel sendet ein Host-Rechner regelmäßig Signale an einen externen Server. Diese als Beacons bezeichneten Signale werden häufig von verschiedenen Diensten verwendet, um die Verbindung zwischen den Systemen aufrechtzuerhalten und effektiv zu kommunizieren.

Beacons können jedoch auch für böswillige Zwecke ausgenutzt werden. Es ist wichtig, die feinen Unterschiede zwischen einer legitimen Verwendung von Beacons, wie z. B. in Börsentickern oder Chat-Apps, und ihrer Verwendung für bösartige Befehls- und Kontrollkanäle zu verstehen.

Wie sieht der verdächtige Verkehr aus?

Um das Konzept besser zu verstehen, wollen wir einen speziellen Fall eines bösartigen verschlüsselten Tunnels untersuchen:

Beispiel für bösartigen Befehls- und Kontrolldatenverkehr.

Beobachten Sie die deutlichen Muster in der obigen Grafik? Diese Spitzen zeigen die vom Angreifer gesendeten Befehle und die Reaktion des infizierten Systems an. Die anfängliche Spitze bei den „empfangenen Bytes” tritt ohne Vorwarnung auf und wird unmittelbar von der Reaktion des infizierten Rechners gefolgt.

Durch die Analyse dieser Muster haben die Datenwissenschaftler von Vectra AI einen effektiven Weg gefunden, dieses Verhalten zu erkennen. Die Zeitreihendaten, die das Verhalten des Command-and-Control-Kanals abbilden, weisen Ähnlichkeiten mit den Daten auf, die bei der Spracherkennung und der Verarbeitung natürlicher Sprache verwendet werden. Diese Ähnlichkeit hat das Team dazu veranlasst, ein Deep-Learning-Modell zur Identifizierung einzusetzen.

Vectra AI nutzt eine leistungsstarke Art von neuronalem Netzwerk, das als LSTM (Long Short-Term Memory) bekannt ist, um Angriffsverhalten zu erkennen. Diese spezialisierte Architektur eignet sich besonders gut für die Analyse von Ereignissen über mehrere Zeiträume hinweg und ermöglicht so ein umfassendes Verständnis der Daten aus dem Command-and-Control-Verkehr. Das LSTM wird anhand einer vielfältigen Auswahl realer und algorithmisch generierter Beispiele trainiert, die verschiedene Szenarien, Tools, Konfigurationen und Umgebungen abdecken. Dadurch ist das Modell in der Lage, die übergreifenden Muster zu identifizieren, die auf einen Kontrollkanal hindeuten, unabhängig von den konkret eingesetzten Tools.

Vectra AI nutzt rekurrente neuronale Netze, um zwischen bösartiger Command-and-Control-Kommunikation und harmlosen Beacons zu unterscheiden.

Der in dieser Analyse verwendete algorithmische Ansatz wurde durch die Art und Weise ermöglicht, wie Vectra AI Netzwerksitzungsdaten formatiert. Zwar kann Vectra AI Zeek-ähnliche Metadaten bereitstellen, doch sein maßgeschneiderter Parser geht über die Standardfunktionen von Zeek hinaus, indem er eine Analyse der Netzwerkkommunikation in Intervallen von weniger als einer Sekunde ermöglicht. Dieser Detaillierungsgrad sorgt für einen klaren Einblick sowohl in harmlose als auch in böswillige Kommunikationsvorgänge und ermöglicht es den Data-Science-Teams von Vectra AI, die effektivsten Algorithmen für eine Vielzahl von Problemstellungen einzusetzen.

Die Kombination aus einzigartigen Metadaten und ausgefeilten Algorithmen ermöglicht es „ Vectra AI “, Angreifer effektiv zu identifizieren. Da der Fokus auf den Kommunikationsdaten selbst liegt und nicht nur auf oberflächlichen Signalen, ist dieser Ansatz widerstandsfähig gegenüber Änderungen an den Tools der Angreifer und sogar gegenüber verschlüsseltem Datenverkehr. Darüber hinaus macht das eindeutige Verhaltenssignal Unterdrückungsfilter überflüssig, die versehentlich wichtige Informationen oder verdeckte Angreiferaktionen herausfiltern könnten.

Vectra-Erkennung für einen verschlüsselten Befehls- und Kontrollkanal (Hidden Tunnel)
Vectra AI Erkennung eines verschlüsselten Befehls- und Kontrollkanals.

Command and Control ist ein Eckpfeiler von Cyberangriffen und erfordert proaktive Erkennungs- und Unterbrechungsstrategien. Vectra AI bietet fortschrittliche Lösungen, die Sicherheitsteams in die Lage versetzen, C2-Bedrohungen in Echtzeit zu erkennen, zu untersuchen und zu neutralisieren. Setzen Sie sich noch heute mit uns in Verbindung, um Ihre Verteidigung gegen hochentwickelte Cyber-Angreifer zu verbessern und Ihre kritischen Ressourcen zu schützen.

FAQ

Was sind Command and Control (C2)?

Wie funktioniert die C2-Kommunikation?

Warum ist das Aufspüren von C2-Kommunikation eine Herausforderung?

Was sind gängige Indikatoren für C2-Aktivitäten?

Wie können Unternehmen C2-Kommunikation aufspüren und stören?

Welche Rolle spielt die Bedrohungsanalyse bei der Identifizierung von C2-Kommunikation?

Wie verschleiern Angreifer die C2-Kommunikation?

Kann Sandboxing bei der Identifizierung von C2-Kommunikation helfen?

Was sind die Folgen einer unkontrollierten C2-Kommunikation?

Wie wichtig ist die Reaktion auf Zwischenfälle im Rahmen der C2-Kommunikation?