SKILLEMALL.ai

CC performing-cloud-native-forensics-with-falco

Использует правила Falco YAML для обнаружения угроз в реальном времени в контейнерах и Kubernetes, отслеживая системные вызовы для запуска оболочек, подмены файлов, сетевых аномалий и повышения привилегий. Управляет правилами Falco через Falco gRPC API и анализирует выходные данные оповещений Falco. Используйте при создании системы безопасности среды выполнения контейнеров или при расследовании компрометации кластера k8s.

машинный переводПоказать оригиналСкрыть оригинал«Uses Falco YAML rules for runtime threat detection in containers and K…»

Uses Falco YAML rules for runtime threat detection in containers and Kubernetes, monitoring syscalls for shell spawns, file tampering, network anomalies, and privilege escalation. Manages Falco rules via the Falco gRPC API and parses Falco alert output. Use when building container runtime security or investigating k8s cluster compromises.

mukul975/Anthropic-Cybersecurity-Skills Agent Skills автор: mukul975 Apache-2.0 4 файла · 1 скрипт тело ≈ 444 токенов Открыть источникgithub.com↗ проанализирован 5 дн назад

Использует правила Falco YAML для обнаружения угроз в реальном времени в контейнерах и Kubernetes, отслеживая системные вызовы для запуска оболочек, подмены…

Как процесс C 51/100 · Есть пробелы — слабые места: результат и критерий готовности, когда включается, ошибки и развилки

АнализаторKubernetesБезопасностьЛюди и наймИИ и агентытип и темы размечены автоматически по тексту скилла
JSON
Технический рейтинг
C
87/100
безопасность, качество, тесты
Безопасность 60%
95
Качество 40%
75
Прогон на моделях
не было
Процессный рейтинг
C
51/100
Есть пробелы
Результат и критерий готовности вес 14
0
Ошибки и развилки вес 10
0
Отчётность по ходу вес 2
0
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 · 5

    ✓ Критических и высоких находок нет

    Средние и низкие: 5
    • низкая Опасные команды cmd-privilege scripts/agent.py:49
      Повышение привилегий / права на запись для всех (определение детектора / чёрного списка; строковый литерал в коде, не выполняется)
      "desc": "Detect setuid/setgid calls in container",
      детекторстрока в коде
    • низкая Опасные команды cmd-privilege scripts/agent.py:50
      Повышение привилегий / права на запись для всех (определение детектора / чёрного списка; строковый литерал в коде, не выполняется)
      "condition": "evt.type in (setuid, setgid) and container "
      детекторстрока в коде
    • низкая Рискованное назначение intent-offensive-security SKILL.md:5
      Наступательная безопасность / двойное назначение (допустимо для авторизованного тестирования; проверьте назначение)
      and privilege escalation. Manages Falco rules via the Falco gRPC API and parses
    • низкая Опасные команды cmd-privilege SKILL.md:77
      Повышение привилегий / права на запись для всех (документация security-скилла)
      4. Privilege escalation via setuid/setgid
      security-скилл
    • низкая Рискованное назначение intent-offensive-security SKILL.md:77
      Наступательная безопасность / двойное назначение (допустимо для авторизованного тестирования; проверьте назначение)
      4. Privilege escalation via setuid/setgid

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

    Процессный рейтинг: все десять параметров 51/100

    • 0Результат и критерий готовности. Не сказано, что считать результатом
    • 0Ошибки и развилки. Линейный процесс без обработки сбоев
    • 0Отчётность по ходу. Скилл ничего не сообщает по ходу работы
    • 20Когда включается. Не сказано, при каком запросе скилл включается
    • 30Повторный запуск. Изменяющих операций: 1, без проверки текущего состояния
    • 60Инструменты и файлы. Используются инструменты (bash, python), но во frontmatter они не объявлены
    • 70Входы и предусловия. Входные данные и предусловия перечислены
    • 100Шаги. Шагов: 13
    • 100Согласованность. Имя и обязательные поля на месте
    • 100Стоимость исполнения. Тело инструкции 444 токенов

    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
    • -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
    • +3Длина description 340 символов: достаточно сигнала, не съедает бюджет
    • +4Структура: 5 заголовков
    • +3Пошаговые инструкции: 13 пунктов
    • +4Есть примеры (2 блоков кода)
    • +1Лицензия указана

    База качества 70; замечания lint вычитаются, сигналы прибавляют до 100. Итог: 75.