SKILLEMALL.ai

AB network-log-analysis

Анализ сетевых логов на уровне устройств с использованием необработанных данных syslog без SIEM-платформ. Помогает в построении криминалистической временной шкалы из коллекторов rsyslog/syslog-ng, логов консоли устройств и данных SNMP-трапов. Охватывает распознавание шаблонов syslog в форматах сообщений Cisco IOS-XE, Juniper JunOS и Arista EOS, корреляцию событий нескольких устройств с использованием grep/awk/sort, обнаружение аномалий путем отклонения от базовых показателей и реконструкцию хронологической временной шкалы с нормализацией временных меток с учетом NTP.

машинный переводПоказать оригиналСкрыть оригинал«Device-level network log analysis using raw syslog data without SIEM p…»

Device-level network log analysis using raw syslog data without SIEM platforms. Guides forensic timeline construction from rsyslog/syslog-ng collectors, device console logs, and SNMP trap data. Covers syslog pattern recognition across Cisco IOS-XE, Juniper JunOS, and Arista EOS message formats, multi-device event correlation using grep/awk/sort, anomaly detection via baseline deviation, and chronological timeline reconstruction with NTP-aware timestamp normalization.

ClawHub Agent Skills автор: Vahagn Madatyan v1.0.0 MIT-0 4 файла тело ≈ 4 768 токенов Открыть источникclawhub.ai проанализирован 3 дн назад

Анализ сетевых логов на уровне устройств с использованием необработанных данных syslog без SIEM-платформ.

Как процесс B 69/100 · Почти готов — слабые места: результат и критерий готовности, когда включается, повторный запуск

АнализаторИнфраструктуратип и темы размечены автоматически по тексту скилла
JSON
Технический рейтинг
A
95/100
безопасность, качество, тесты
Безопасность 60%
99
Качество 40%
89
Прогон на моделях
не было
Процессный рейтинг
B
69/100
Почти готов
Результат и критерий готовности вес 14
0
Когда включается вес 12
20
Повторный запуск вес 4
30
три самых слабых из десяти параметров · все десять

Как улучшить

    Для прогона на моделях — необязательно
    • Свои кейсы (evals/evals.json, 4–6 реальных запросов с ожидаемыми ответами): тогда полная проверка прогонит именно их, а не черновик от модели.
    • spec.yaml с триггерными фразами и утверждениями — контракт поведения для CI; `skilltest init` создаст шаблон.

    Находки guard · 1

    ✓ Критических и высоких находок нет

    Средние и низкие: 1
    • низкая Рискованное назначение intent-offensive-security references/syslog-patterns.md:172
      Наступательная безопасность / двойное назначение (допустимо для авторизованного тестирования; проверьте назначение)
      | Privilege escalation | `PRIV…NGE` | `UI_AUTH_EVENT` | `%AAA-…BLE` |

    Просканировано файлов: 4. Улики замаскированы. Пометки в серых чипах объясняют, почему серьёзность понижена.

    По спецификации Agent Skills

    ✓ По спецификации Agent Skills замечаний нет

    Процессный рейтинг: все десять параметров 69/100

    • 0Результат и критерий готовности. Не сказано, что считать результатом
    • 20Когда включается. Не сказано, при каком запросе скилл включается
    • 30Повторный запуск. Изменяющих операций: 2, без проверки текущего состояния
    • 70Входы и предусловия. Входные данные и предусловия перечислены
    • 70Стоимость исполнения. Тело инструкции 4768 токенов
    • 100Инструменты и файлы. Внешние инструменты не нужны
    • 100Шаги. Шагов: 25
    • 100Ошибки и развилки. Развилок: 3, есть раздел про ошибки
    • 100Согласованность. Имя и обязательные поля на месте
    • 100Отчётность по ходу. Скилл сообщает о ходе работы

    Всё перечисленное измерено по тексту скилла, а не оценено моделью: цифры проверяемы. Вес параметра тем больше, чем чаще из-за него процесс встаёт.

    Сигналы качества

    • +5В description нет примеров фраз, по которым скилл должен срабатывать
    • +4Описание не говорит, когда скилл НЕ применять (ложные срабатывания)
    • +3Формат ответа не описан: модель каждый раз решает сама
    • +2Инструкции на одном языке
    • +3Длина description 471 символов: достаточно сигнала, не съедает бюджет
    • +4Структура: 23 заголовков
    • +3Пошаговые инструкции: 25 пунктов
    • +4Есть примеры (7 блоков кода)
    • +4Справочные файлы упоминаются в инструкциях (2 из 2)
    • +1Лицензия указана

    База качества 70; замечания lint вычитаются, сигналы прибавляют до 100. Итог: 89.

    Внешние проверки

    ClawHub: clean
    This skill is a Markdown-only guide for analyzing network syslog data, with expected sensitivity around infrastructure logs and no hidden execution or data exfiltration behavior found.
    LLM: benign (high) · VirusTotal: · 29 мая 2026 г.