implementing-threat-modeling-with-mitre-attack

name	implementing-threat-modeling-with-mitre-attack
description	使用 MITRE ATT&CK 框架实施威胁建模，将对手 TTP 映射到组织资产， 评估检测覆盖缺口，并优化防御投资。 适用于 SOC 团队需要将检测工程与威胁态势对齐、对新环境开展威胁评估， 或为安全工具采购提供决策依据时。
domain	cybersecurity
subdomain	soc-operations
tags	["soc","mitre-attack","threat-modeling","ttp","detection-coverage","attack-navigator","risk-assessment"]
version	1.0
author	mahipal
license	Apache-2.0

使用 MITRE ATT&CK 实施威胁建模

适用场景

以下情况使用本技能：

• SOC 团队需要针对相关威胁行为者及其 TTP 评估检测覆盖率
• 安全领导层需要基于威胁的防御优先级排序
• 新环境（云迁移、OT 集成）需要制定检测策略规划
• 紫队演练需要基于威胁模型进行结构化的对手仿真
• 年度风险评估需要基于 ATT&CK 的威胁态势分析

不适用于一次性演练——威胁模型必须随着对手 TTP 演进和组织攻击面变化而持续更新。

前置条件

• 了解 MITRE ATT&CK 框架（Enterprise、ICS、Mobile 或 Cloud 矩阵）
• ATT&CK Navigator 工具（Web 版或本地版）用于层次可视化
• 已映射到 ATT&CK 技术 ID 的当前检测规则清单
• 针对所在行业的威胁行为者组织的威胁情报
• 含关键性分类的组织资产清单

工作流程

步骤 1：识别相关威胁行为者

使用 MITRE ATT&CK 组织数据库研究针对您所在行业的对手组织：

import requests
import json

# 下载 ATT&CK STIX 数据
response = requests.get(
    "https://raw.githubusercontent.com/mitre/cti/master/enterprise-attack/enterprise-attack.json"
)
attack_data = response.json()

# 提取组织及其技术
groups = {}
for obj in attack_data["objects"]:
    if obj["type"] == "intrusion-set":
        group_name = obj["name"]
        aliases = obj.get("aliases", [])
        description = obj.get("description", "")
        groups[group_name] = {
            "aliases": aliases,
            "description": description[:200],
            "techniques": []
        }

# 通过关系映射技术到组织
relationships = [obj for obj in attack_data["objects"] if obj["type"] == "relationship"]
techniques = {obj["id"]: obj for obj in attack_data["objects"]
              if obj["type"] == "attack-pattern"}

for rel in relationships:
    if rel["relationship_type"] == "uses":
        source = rel["source_ref"]
        target = rel["target_ref"]
        for group_name, group_data in groups.items():
            if source == group_data.get("id") and target  techniques:
                tech = techniques[target]
                ext_refs = tech.get(, [])
                 ref  ext_refs:
                     ref.get() == :
                        group_data[].append(ref[])


financial_actors = [, , , , ]
 actor  financial_actors:
     actor  groups:
        ()
        ()

步骤 2：构建威胁行为者 TTP 画像

为优先威胁行为者创建 ATT&CK Navigator 层：

import json

def create_attack_layer(actor_name, techniques, color="#ff6666"):
    """为威胁行为者生成 ATT&CK Navigator JSON 层"""
    layer = {
        "name": f"{actor_name} TTP 画像",
        "versions": {
            "attack": "15",
            "navigator": "5.0",
            "layer": "4.5"
        },
        "domain": "enterprise-attack",
        "description": f"与 {actor_name} 相关的技术",
        "techniques": [
            {
                "techniqueID": tech_id,
                "tactic": "",
                "color": color,
                "comment": f"被 {actor_name} 使用",
                "enabled": True,
                "score": 1
            }
            for tech_id in techniques
        ],
        "gradient": {
            "colors": ["#ffffff", color],
            "minValue": 0,
            "maxValue": 1
        }
    }
    return layer

# 为主要威胁行为者创建层
fin7_techniques = ["T1566.001", "T1059.001", "T1053.005", "T1547.001",
                    , , , , ]
layer = create_attack_layer(, fin7_techniques, )

 (, )  f:
    json.dump(layer, f, indent=)

步骤 3：映射当前检测覆盖率

导出已映射到 ATT&CK 的当前检测规则：

--- 从 Splunk ES 关联搜索提取 ATT&CK 技术映射
| rest /services/saved/searches
  splunk_server=local
| where match(title, "^(COR|ESCU|RBA):")
| eval techniques = if(isnotnull(action.correlationsearch.annotations),
                       spath(action.correlationsearch.annotations, "mitre_attack"),
                       "unmapped")
| stats count by techniques
| mvexpand techniques
| stats count by techniques
| rename techniques AS technique_id, count AS rule_count

创建检测覆盖率层：

def create_coverage_layer(detection_rules):
    """从检测规则清单生成覆盖率层"""
    technique_counts = {}
    for rule in detection_rules:
        for tech in rule.get("techniques", []):
            technique_counts[tech] = technique_counts.get(tech, 0) + 1

    layer = {
        "name": "SOC 检测覆盖率",
        "versions": {"attack": "15", "navigator": "5.0", "layer": "4.5"},
        "domain": "enterprise-attack",
        "techniques": [
            {
                "techniqueID": tech_id,
                "color": "#31a354" if count >= 2 else "#a1d99b" if count == 1 else "",
                "score": count,
                "comment": f"{count} 条检测规则"
            }
            for tech_id, count in technique_counts.items()
        ],
        "gradient": {
            "colors": ["#ffffff", "#a1d99b", "#31a354"],
            "minValue": 0,
            "maxValue": 3
        }
    }
     layer

步骤 4：执行缺口分析

将威胁行为者 TTP 叠加到检测覆盖率上：

def gap_analysis(threat_techniques, covered_techniques):
    """识别特定威胁行为者的检测缺口"""
    gaps = set(threat_techniques) - set(covered_techniques)
    covered = set(threat_techniques) & set(covered_techniques)

    print(f"威胁行为者技术数：{len(threat_techniques)}")
    print(f"已检测：{len(covered)} ({len(covered)/len(threat_techniques)*100:.0f}%)")
    print(f"缺口：{len(gaps)} ({len(gaps)/len(threat_techniques)*100:.0f}%)")

    # 按杀伤链阶段排列缺口优先级
    priority_order = {
        "TA0001": 1, "TA0002": 2, "TA0003": 3, "TA0004": 4,
        "TA0005": 5, "TA0006": 6, "TA0007": 7, "TA0008": 8,
        "TA0009": 9, "TA0010": 10, "TA0011": 11, "TA0040": 
    }

    gap_details = []
     tech_id  gaps:
        gap_details.append({
            : tech_id,
            :   tech_id.split()[]  [, , ]  ,
            : 
        })

     {
        : (threat_techniques),
        : (covered),
        : (gaps),
        : ((covered)/(threat_techniques)*, ),
        : (gap_details, key= x: x[])
    }


result = gap_analysis(fin7_techniques, current_coverage)

步骤 5：创建优先级修复计划

构建检测工程路线图：

threat_model_remediation_plan:
  assessed_date: 2024-03-15
  primary_threats:
    - FIN7（金融行业）
    - APT38（朝鲜金融）
    - Lazarus Group（破坏性攻击）

  current_coverage: 64%
  target_coverage: 80%

  priority_1_gaps: # 30 天目标
    - technique: T1021.002
      name: SMB/Windows 管理共享
      data_source: Windows Security Event 5140
      effort: 低
      detection_approach: 监控来自非管理工作站的管理共享访问

    - technique: T1003.006
      name: DCSync
      data_source: Windows Security Event 4662
      effort: 中
      detection_approach: 检测来自非域控制器的 DS-Replication-Get-Changes

  priority_2_gaps: # 60 天目标
    - technique: T1055
      name: 
          
       
       

      
        
       
       
         

   
      
       
         
       
       

步骤 6：通过对手仿真验证

使用 MITRE Caldera 或 Atomic Red Team 测试覆盖率：

# 使用 Atomic Red Team 验证 FIN7 技术覆盖率
# T1566.001 — 鱼叉式钓鱼附件
Invoke-AtomicTest T1566.001

# T1059.001 — PowerShell
Invoke-AtomicTest T1059.001 -TestNumbers 1,2,3

# T1053.005 — 计划任务
Invoke-AtomicTest T1053.005

# T1547.001 — 注册表运行键
Invoke-AtomicTest T1547.001

# T1003 — 凭据转储
Invoke-AtomicTest T1003 -TestNumbers 1,2

# 验证检测
# 在 15 分钟内检查 SIEM 中是否有相应告警

记录仿真结果以验证威胁模型准确性。

核心概念

术语	定义
MITRE ATT&CK	基于真实观察的对手战术、技术和程序知识库
TTP	战术、技术和程序（Tactics, Techniques, and Procedures）——对手组织的行为模式
ATT&CK Navigator	用于以分层热力图可视化 ATT&CK 矩阵（显示覆盖率或威胁画像）的 Web 工具
缺口分析（Gap Analysis）	将威胁行为者 TTP 与检测覆盖率进行比较以识别盲区的过程
威胁驱动防御（Threat-Informed Defense）	基于实际对手行为而非理论风险来确定防御优先级的安全策略
对手仿真（Adversary Emulation）	受控模拟威胁行为者 TTP 以验证检测和响应能力

工具与系统

• MITRE ATT&CK Navigator：用于创建和叠加 ATT&CK 技术层的基于 Web 的可视化工具
• MITRE Caldera：用于规模化测试检测覆盖率的自动化对手仿真平台
• Atomic Red Team：用于安全控制验证的 ATT&CK 技术测试开源库
• CTID ATT&CK Workbench：用于以组织上下文定制 ATT&CK 知识库的 MITRE 工具
• Tidal Cyber：使用 ATT&CK 框架进行威胁驱动防御规划的商业平台

常见场景

• 年度威胁评估：映射前 5 大威胁行为者到 ATT&CK，叠加到检测上，生成缺口分析
• 云迁移规划：对云特定威胁（T1078.004、T1537）建模并规划检测覆盖率
• 并购安全评估：针对相关威胁行为者对被收购公司环境进行威胁建模
• 预算论证：使用缺口分析展示需要工具投资的检测盲区
• 紫队规划：基于威胁模型中优先级最高的缺口选择对手仿真场景

输出格式

威胁模型评估 — 金融服务部门
━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━
日期：          2024-03-15
威胁行为者：    FIN7、APT38、Lazarus Group
技术总计：      所有行为者共计 87 种独特技术

检测覆盖率：
  已覆盖：     56/87 (64%)
  缺口：       31/87 (36%)

  战术覆盖率分解：
    初始访问：      78%  ████████░░
    执行：          82%  █████████░
    持久化：        71%  ████████░░
    权限提升：      65%  ███████░░░
    防御规避：      52%  ██████░░░░  <-- 优先缺口
    凭据访问：      58%  ██████░░░░  <-- 优先缺口
    发现：          45%  █████░░░░░
    横向移动：      61%  ███████░░░
    数据收集：      50%  ██████░░░░
    渗漏：          55%  ██████░░░░
    C2：            67%  ███████░░░

优先缺口（30 天修复计划）：
  1. T1055 进程注入 — 所有 3 个行为者均使用，0 条检测
  2. T1003.006 DCSync — FIN7 和 Lazarus 使用，0 条检测
  3. T1070.004 文件删除 — 证据销毁，0 条检测

投资建议：
  弥补前 10 个缺口需要：2 名检测工程师 FTE，60 天
  预期覆盖率提升：64% -> 76%