SKILLEMALL.ai
GitHub ↗ EN Войти

CB analyzing-network-traffic-for-incidents

Анализирует захваты сетевого трафика и данные потоков для выявления активности злоумышленников во время инцидентов безопасности, включая связь командно-контрольных центров, боковое перемещение, эксфильтрацию данных и попытки эксплуатации. Использует Wireshark, Zeek и методы анализа NetFlow. Активируется для запросов, связанных с анализом сетевого трафика, исследованием захвата пакетов, анализом PCAP, сетевой криминалистикой, обнаружением C2-трафика или обнаружением эксфильтрации.

машинный переводПоказать оригиналСкрыть оригинал«Analyzes network traffic captures and flow data to identify adversary…»

Analyzes network traffic captures and flow data to identify adversary activity during security incidents, including command-and-control communications, lateral movement, data exfiltration, and exploitation attempts. Uses Wireshark, Zeek, and NetFlow analysis techniques. Activates for requests involving network traffic analysis, packet capture investigation, PCAP analysis, network forensics, C2 traffic detection, or exfiltration detection.

mukul975/Anthropic-Cybersecurity-Skills Agent Skills автор: mukul975 Apache-2.0 4 файла · 1 скрипт тело ≈ 2 427 токенов Открыть источникgithub.com↗ проанализирован 5 дн назад

Анализирует захваты сетевого трафика и данные потоков для выявления активности злоумышленников во время инцидентов безопасности, включая связь…

Как процесс B 65/100 · Почти готов — слабые места: ошибки и развилки, повторный запуск

АнализаторИнфраструктуратип и темы размечены автоматически по тексту скилла
Запускается в: Claude / Claude Code ChatGPT / Codex Gemini CLI Cursor GitHub Copilot / VS Code Qwen Code Kimi Code CLI Z.ai (GLM) DeepSeek (Deep Code) Mistral Vibe LangChain (deepagents) OpenClaw Goose OpenCode
JSON
Технический рейтинг
C
89/100
безопасность, качество, тесты
Безопасность 60%
94
Качество 40%
82
Прогон на моделях
не было
Процессный рейтинг
B
65/100
Почти готов
Ошибки и развилки вес 10
0
Повторный запуск вес 4
30
Когда включается вес 12
50
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 · 6

    ✓ Критических и высоких находок нет

    Средние и низкие: 6
    • низкая Рискованное назначение intent-offensive-security references/api-reference.md:80
      Наступательная безопасность / двойное назначение (допустимо для авторизованного тестирования; проверьте назначение)
      ## Lateral Movement Ports
    • низкая Рискованное назначение intent-offensive-security SKILL.md:4
      Наступательная безопасность / двойное назначение (допустимо для авторизованного тестирования; проверьте назначение)
      command-and-control communications, lateral movement, data exfiltration, and exploitation attempts. Uses Wireshark, Zeek,
    • низкая Рискованное назначение intent-offensive-security SKILL.md:39
      Наступательная безопасность / двойное назначение (допустимо для авторизованного тестирования; проверьте назначение)
      - Lateral movement between systems needs to be traced through network connections
    • низкая Рискованное назначение intent-offensive-security SKILL.md:108
      Наступательная безопасность / двойное назначение (допустимо для авторизованного тестирования; проверьте назначение)
      ### Step 3: Analyze Lateral Movement Traffic
    • низкая Рискованное назначение intent-offensive-security SKILL.md:113
      Наступательная безопасность / двойное назначение (допустимо для авторизованного тестирования; проверьте назначение)
      Key protocols for lateral movement detection:
    • низкая Рискованное назначение intent-offensive-security SKILL.md:115
      Наступательная безопасность / двойное назначение (допустимо для авторизованного тестирования; проверьте назначение)
      SMB (TCP 445):     PsExec, file share access, ransomware propagation

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

    По спецификации Agent Skills

    • заметка frontmatter-key неизвестное поле фронтматтера "domain"
    • заметка frontmatter-key неизвестное поле фронтматтера "subdomain"
    • заметка frontmatter-key неизвестное поле фронтматтера "mitre_attack"
    • заметка frontmatter-key неизвестное поле фронтматтера "nist_csf"

    Процессный рейтинг: все десять параметров 65/100

    • 0Ошибки и развилки. Линейный процесс без обработки сбоев
    • 30Повторный запуск. Изменяющих операций: 3, без проверки текущего состояния
    • 50Когда включается. Не сказано, при каком запросе скилл включается
    • 60Инструменты и файлы. Используются инструменты (web), но во frontmatter они не объявлены
    • 60Результат и критерий готовности. Формат результата описан, критерия завершения нет
    • 70Входы и предусловия. Входные данные и предусловия перечислены
    • 100Шаги. Шагов: 43
    • 100Согласованность. Имя и обязательные поля на месте
    • 100Стоимость исполнения. Тело инструкции 2427 токенов
    • 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
    • -41 справочных файлов, но SKILL.md на них не ссылается: модель их не откроет
    • -31 из 1 скриптов не упомянуты в SKILL.md
    • +2Инструкции на одном языке
    • +4Описание говорит, когда скилл НЕ применять
    • +3Длина description 442 символов: достаточно сигнала, не съедает бюджет
    • +4Структура: 15 заголовков
    • +3Пошаговые инструкции: 43 пунктов
    • +3Формат ответа описан явно
    • +4Есть примеры (8 блоков кода)
    • +1Лицензия указана

    База качества 70; замечания lint вычитаются, сигналы прибавляют до 100. Итог: 82.