מעקב אחר תוקפים מתוחכמים בענן – חלק ראשון: IOCs אטומיים
אמ;לק
מאמר זה מציג אסטרטגיות למעקב והגנה מפני פעילות זדונית ואיומים בסביבת הענן, תוך שימוש במחווני פשרה (IOCs) אטומיים. הוא מתמקד בזיהוי וניטור תוקפים מתוחכמים המתמחים בסביבות ענן.
סיכום בעברית: מערכת VibeSec · מדיניות המקורות
נוסף ל-VibeSec:
כותרת מקורית: Tracking cloud-fluent threat actors - Part one: Atomic cloud IOCs

התוכן המלא בעברית
תרגום אוטומטי מהמקור; מונחים טכניים נשארו באנגלית. לנוסח המחייב — הכתבה המקורית.
Indicators of Compromise (IOCs) הם הלחם והחמאה של תוכניות אבטחה רבות. המונח מתייחס לממצאים פורנזיים או ראיות המצביעים על פרצת אבטחה שמתרחשת כעת או התרחשה בעבר במערכת מחשוב. אינדיקטורים אלה הם עקבות גלויים שהותירו פעילויות זדוניות, והם משמשים כאותות לאנשי אבטחה כדי לאתר, לחקור ולהגיב לאירועי אבטחת סייבר פוטנציאליים בארגונים שעליהם הם מופקדים. בנוסף, IOCs משמשים כאבני בניין של מודיעין איומים לקיבוץ פעילויות יחד ובסופו של דבר לייחוסן לגורמי איומים ספציפיים.
סוגים מסוימים של IOCs הם אוניברסליים למדי, במובן זה שהם רלוונטיים ללא קשר לסוג סביבת היעד, כגון כתובות IP של תשתית הנשלטת על ידי תוקף, או hashes של קבצים בינאריים זדוניים. עם זאת, הגנה מפני פעילות זדונית בענן מחייבת טיפול בסוגים נוספים של ראיות הייחודיות לסביבות ענן, כגון מטא-נתונים של IAM וקריאות ל-control plane API. בנוסף, סוגים אחרים של ממצאים פורנזיים – כמו שמות של תמונות קונטיינרים ומחרוזות user agent – אולי אינם ייחודיים לחלוטין לענן, אך יש להם ערך ייחודי לחקירת אירועי ענן ומעקב אחר פעילותם של גורמי איומים בעלי אוריינטציית ענן.
יתרה מכך, כפי שנראה בסדרת פוסטים זו, כשמדובר במעקב אחר פעילות זדונית מבוססת ענן (Cloud-Native), אנליסטים חייבים להשתמש הן באינדיקטורים התנהגותיים והן ב-IOCs אטומיים כדי לטפס ב-pyramid of pain. בעוד שמחוונים אטומיים הם נקודות נתונים ספציפיות וסטטיות המצביעות על פעילות זדונית (למשל, שמות דומיינים הנשלטים על ידי תוקפים ו-hashes של קבצי תוכנות זדוניות), אינדיקטורים התנהגותיים מתייחסים לטלמטריית זמן ריצה וליומני פעילות, ולכן נעשה בהם שימוש בזיהויים מורכבים יותר. אם Tactics, Techniques & Procedures (TTPs) מתארים מה תוקף עושה, IOCs התנהגותיים הם הדרך שבה אנו יודעים שהם עשו זאת בסביבה נתונה (ראו גם הרצאתו של Zack Allen בנושא זה מ-fwd:cloudsec).
היכולת לאסוף, לנתח ולנטר עבור IOCs ספציפיים לענן היא יכולת מכרעת לאיתור וחקירה של אירועים וביצוע ציד איומים בענן. עם זאת, מניסיוננו, דוחות מודיעין איומים רבים אינם מדגישים מספיק IOCs ספציפיים לענן, וספקי מודיעין איומים רבים אינם מצליחים לכלול את IOCs אלה בפיד שלהם בפורמט הניתן לקריאה במכונה.
כדי להמחיש מדוע זו בעיה, דמיינו אנליסט SOC שעוקב אחר התראות הקשורות לסביבת AWS, כאשר הוא מבחין בתפקיד (Role) שנלקח מחשבון AWS חיצוני בעקבות קריאת API שבוצעה מכתובת IP לא ידועה – בעוד שהוא יכול בקלות לחפש את הכתובת בפידי מודיעין איומים כדי לקבוע את המוניטין שלה, אין זה בהכרח נכון לגבי חשבון ה-AWS עצמו; לא סביר שלאנליסט SOC תהיה שיטה לקביעת המוניטין של החשבון על סמך מודיעין איומים. באופן דומה, האנליסט ייתקל באותו אתגר בעת בדיקת התראות הקשורות לקונטיינרים המופעלים באמצעות תמונות חיצוניות, חשבונות משתמש חדשים עם שמות בעלי מראה חשוד, ותרחישים אחרים המתרחשים לעיתים קרובות בסביבות ענן.
החסרונות הללו הם הסיבה שבחרנו לכתוב את סדרת הפוסטים הזו – מבחינה אסטרטגית, אנו מאמינים ששיתוף וסטנדרטיזציה של IOCs הרלוונטיים באופן ייחודי לסביבות ענן יכולים לאפשר קהילת אבטחת ענן חזקה יותר, ולהקל על כולם לנטר ולחסום ביעילות פעילות ענן זדונית בקנה מידה רחב. כדי לסייע בכך, אספנו IOCs אטומיים הזמינים לציבור במאגר GitHub חדש – אל תשכחו לבדוק אותו!
הענן מציג סוגים חדשים של משטחי תקיפה חיצוניים כגון נקודות קצה של ספקי שירותי ענן (CSP) ו-Kubernetes, כמו גם אופני פעולה חדשים של תנועה לרוחב (Lateral Movement) כגון הסלמת הרשאות IAM וחיבורי שולחן עבודה מרחוק באמצעות SSM. בנוסף, סביבות ענן מאפשרות ניצול לרעה של וקטורי תקיפה מבוססים כמו ניצול פגיעויות תוכנה, אך לעיתים קרובות גורמי איומים עושים שימוש חוזר בשיטות ה"קלאסיות" הללו כדי לנצל את התכונות הייחודיות של הענן להשגת מטרות שונות במקצת. לדוגמה, cryptojacking הוא לעיתים קרובות תוצאה של תוקף שמנצל פגיעות תוכנה או תצורה שגויה, תוך ניצול יכולת הגידול (Scalability) של הענן להקמת משאבים חדשים במהירות. באופן דומה, ניצול לרעה של IMDSv1 מגיע לעיתים קרובות בעקבות ניצול SSRF מסורתי, אשר מסיבה זו נחשב בצדק למשפיע יותר בסביבות ענן מאשר בסביבות On-premises.
בהתאמה לשינויים הללו בשיטות התקיפה, גם התועלת של IOCs מסורתיים מסוימים שונה בענן. לדוגמה, רוב כתובות ה-IP הכלולות בפידי מודיעין איומים מסחריים ובקוד פתוח כיום מתייחסות לשרתי C2, שספק אם יופיעו ביומני גישה לענן, מכיוון שתוקפים מסתמכים בדרך כלל על תחנות עבודה או Jump boxes עם כתובות IP שונות בעת התחברות לנקודות קצה של CSP API. למעשה, לרוב, גורמי איומים המכוונים לענן פשוט ישתמשו בשירותי אנונימיזציה כגון VPN או TOR. התנהגות זו הופכת כתובות IP להרבה פחות שימושיות לזיהוי איומי ענן, אלא אם כן הן מוצלבות עם מטא-נתונים נוספים. לדוגמה, אפשר לבנות כלל זיהוי איומים שבודק חיבורים מספק VPN ידוע שאינו בשימוש נפוץ על ידי עובדי הארגון המוגן – זה יכול להיות אינדיקטור התנהגותי שימושי מאוד.
שאר הפוסט בבלוג הזה יתמקד אך ורק באינדיקטורים אטומיים הרלוונטיים לסביבות ענן, והפוסט הבא שלנו בבלוג בסדרה זו ידון באינדיקטורים התנהגותיים.
מטא-נתונים של כל תמונה / VM
קונטיינרים ומכונות וירטואליות בענן מופעלים באמצעות תמונת מקור. ידוע שגורמי איומים בעלי אוריינטציית ענן כמו TeamTNT ו-SilentBob בונים תמונות משלהם עם תוכנות זדוניות מותקנות מראש ומשתמשים בהן כדי ליצור קונטיינרים ו-VMs חדשים בסביבות שנפגעו (T1610). במקרה של TeamTNT, חברת Trend Micro צפתה בתוקף משתמש בתמונות Docker מותאמות אישית הנקראות alpineos ו-sandeep078, המכילות rootkits, ניצול מילוט מקונטיינר (container escape), קריפטומינרים, גנבי מידע ועוד. במקרה של SilentBob, חברת Aqua Security זיהתה תמונות Docker המשמשות לפריסת סורקים זדוניים.
באופן דומה, ב-Wiz זיהינו לאחרונה קמפיין Dero של כריית קריפטו, שבו התוקף יצר תמונות Docker מותאמות אישית בשם nohuppo:pause, dockerproxys:pause ו-dockerproxys:pauser (בין היתר), המכילות קריפטומינרים מותקנים מראש.
כאשר גורמי איום עושים שימוש חוזר באותה תמונה על פני מטרות מרובות, התמונה עצמה – כפי שהיא מזוהה בשמה או ב-digest שלה – הופכת ל-IOC אטומי שימושי. יתרה מכך, תמונות מרובות עשויות להיות מקושרות לאותו מנוי (Subscription) ב-CSP או לחשבון Docker Hub, מה שמאפשר לאנליסטים לעבור בין תמונות עם אותו יוצר.
מגיני ענן יכולים לשמור רשימות של תמונות קונטיינר ו-VM זדוניות ידועות בהתבסס על מודיעין איומים, ולמנף אותן ללא הרף למטרות זיהוי ומניעה. בנוסף (כפי שנדון ביתר פירוט בפוסט הבא בסדרה זו), ארגונים צריכים לפקח על כל שימוש בתמונות שנעשה בהן שימוש לעיתים רחוקות (או שלא נעשה בהן שימוש מעולם) בסביבת הענן שלהם, מכיוון שסביר יותר שהן יהיו ללא אישור ולכן זדוניות (T1204).
מטא נתונים של מנוי בענן
מנויי ענן (Cloud subscriptions), כגון חשבונות AWS, הם חשבונות המאפשרים ללקוח ליצור משאבי ענן שונים כגון מחשוב, אחסון וזהויות. גורמי איומים יכולים להירשם למנויים משלהם או לחטוף מנויים קיימים (T1098, T1078.004), ולהשתמש בהם לפעילויות זדוניות כגון אחסון תמונות VM זדוניות, או יצירת קשרי אמון בין המנוי שלהם למנויי יעד (כגון הענקת הרשאות לישות במנוי שלהם לביצוע פעולות ניהול במנוי היעד).
לדוגמה, Invictus זיהתה גורם איום המכונה DangerDev שמשתמש במנויי AWS שבשליטתו (671050157472 ו-265857590823) על מנת לקבל תפקידים (Assume Role) בתוך מנוי יעד (T1136.003). במקרים כאלה, המזהים הייחודיים של המנוי עצמו יכולים לשמש כ-IOCs אטומיים בעלי ערך.
על מגיני ענן לנהל רשימות של מנויי ענן מהימנים שאיתם הסביבה שלהם מורשית לשמור על קשרי אמון, תוך חסימת כל ניסיון ליצור קשרים כאלה עם מנויים לא ידועים (או דרישה לאישור מנהלי לשם כך). בנוסף, על המגינים לנהל רשימות של מנויים זדוניים ידועים ולעקוב אחר כל פעילות היסטורית או נוכחית בסביבתם הכוללת אותם.
מטא נתונים של Infrastructure-as-Code (IaC).
Infrastructure-as-Code (IaC) הוא ניהול תשתיות (רשתות, VMs, מאזני עומסים וכו') באמצעות סקריפטים קריאים במכונה כמו Terraform, CloudFormation, או Ansible, המאפשרים פריסה אוטומטית ועקבית. עם זאת, כאשר ארגון פורס תשתית באמצעות IaC הנשלטת על ידי תוקף, הדבר עלול להוביל לשינויים המעניקים לתוקף גישה ראשונית לסביבה או להסלים את ההרשאות הקיימות שלו (T1578 ).
לדוגמה, שקלו תרחיש שבו תוקף מקבל גישה לקובץ מצב (State file) של Terraform המאוחסן בדלי S3 המשמש ארגון יעד. כפי שמתואר במאמר זה מ-Plerion, התוקף יכול לשנות את קובץ המצב כדי לתפעל תשתית בסביבת היעד, כגון מחיקת משאבים קריטיים או אפילו הוספת ספקי Terraform זדוניים המבצעים קוד לא מורשה במהלך הפריסה. באופן דומה, תוקפים יכולים לנצל מנועי Policy-as-Code – כמו אלו המשמשים ב-HashiCorp Sentinel או Open Policy Agent (OPA) – על ידי שינוי קוד מדיניות כדי להדליף אישורים רגישים; תוקפים יכולים להחדיר קוד שמחלץ סודות במהלך ההקצאה, כגון הוספת בקשת HTTP לגניבת אישורי AWS.
לחלופין, תוקף יכול להשתמש בהנדסה חברתית כדי לשכנע קורבן להשתמש במודול Terraform של צד שלישי שנבנה במיוחד, המבצע פעולות זדוניות כגון הדלפת סיסמאות מסד נתונים לשרת מרוחק בשליטת התוקף. לדוגמה, xssfox פיתחה מודול Terraform להוכחת היתכנות (ssm-password) שהדגים כיצד תוקף יכול להוסיף בלוק HTTP כדי לחלץ מידע רגיש במהלך פריסת תשתית. וקטור תקיפה זה לא צפוי להיות תיאורטי בלבד – Shelly Raban מ-Tenable הראה לאחרונה שכ-0.5% מהמודולים הציבוריים של Terraform מכילים בלוקים חריגים ולכן עלולים להיות מסוכנים.
בדומה למנויי ענן, על המגינים לנהל רשימות של ספקים ומודולי IaC מהימנים ובלתי מהימנים, ולחסום כל ניסיון פריסה לא מורשה של תשתית בסביבתם.
מטא נתונים של משתמשי ענן
ברגע שתוקפים מניחים את ידם על מפתחות ענן עבור מנוי יעד או מקבלים גישה ראשונית לסביבה (T1586.003), הם יכולים להפעיל ערכות כלים (Toolkits) שמבצעות אוטומציה לפעולות רבות לצורך סריקה (Enumeration), התמדה והסלמת הרשאות (נפרט יותר בנושא זה בפוסט הבא בסדרה זו). חלק מערכות הכלים הללו משתמשות בשמות משתמש קבועים (Hardcoded) בעת יצירת משתמשים חדשים בארגון שנפגע, וניתן למנף אותם כ-IOCs אטומיים למטרות זיהוי.
דוגמה לכך ניתן למצוא ב-FBot, כלי פריצה מבוסס Python. היכולת של FBot ליצור חשבון משתמש חדש ב-AWS עם הרשאות ניהול (T1136), מבלי להסיר את החשבון המקורי שנפרץ (T1078), מאפשרת לתוקפים לשמור על גישה מועדפת לסביבה לטווח ארוך. יצירה חמקנית זו של חשבון משתמש חדש עלולה לעבור מתחת לרדאר אם אינה מנוטרת כראוי, מה שמאפשר לתוקפים לבצע פעילויות זדוניות נוספות בסביבה שנפרצה. לפי מחקר שנערך על ידי SentinelOne, משתמשים שנוצרו על ידי FBot ניתנים לזיהוי באמצעות שילוב שם המשתמש והסיסמה הקבועים שלהם (iDevXploit:MCDonald2021D#1337, נכון לזמן כתיבת שורות אלו).