<?xml version="1.0" encoding="UTF-8"?><rss xmlns:dc="http://purl.org/dc/elements/1.1/" xmlns:content="http://purl.org/rss/1.0/modules/content/" xmlns:atom="http://www.w3.org/2005/Atom" version="2.0" xmlns:cc="http://cyber.law.harvard.edu/rss/creativeCommonsRssModule.html">
    <channel>
        <title><![CDATA[Stories by Sergen Yanmış on Medium]]></title>
        <description><![CDATA[Stories by Sergen Yanmış on Medium]]></description>
        <link>https://medium.com/@sergenyanmis?source=rss-d170091eaf07------2</link>
        <image>
            <url>https://cdn-images-1.medium.com/fit/c/150/150/0*ecFxOCCzpxewHgVQ.jpg</url>
            <title>Stories by Sergen Yanmış on Medium</title>
            <link>https://medium.com/@sergenyanmis?source=rss-d170091eaf07------2</link>
        </image>
        <generator>Medium</generator>
        <lastBuildDate>Wed, 18 Nov 2026 05:55:27 GMT</lastBuildDate>
        <atom:link href="https://medium.com/@sergenyanmis/feed" rel="self" type="application/rss+xml"/>
        <webMaster><![CDATA[yourfriends@medium.com]]></webMaster>
        <atom:link href="http://medium.superfeedr.com/" rel="hub"/>
        <item>
            <title><![CDATA[Lokal LLM’i RAG ile Zenginleştirmek]]></title>
            <link>https://medium.com/@sergenyanmis/lokal-llmi-rag-ile-zenginle%C5%9Ftirmek-18f3575dec0a?source=rss-d170091eaf07------2</link>
            <guid isPermaLink="false">https://medium.com/p/18f3575dec0a</guid>
            <category><![CDATA[soc-analyst]]></category>
            <category><![CDATA[artificalintelligence]]></category>
            <category><![CDATA[soc]]></category>
            <category><![CDATA[llm]]></category>
            <dc:creator><![CDATA[Sergen Yanmış]]></dc:creator>
            <pubDate>Tue, 21 Apr 2026 12:56:34 GMT</pubDate>
            <atom:updated>2026-04-21T13:04:20.580Z</atom:updated>
            <content:encoded><![CDATA[<figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*cHZNOIcBGbuOAFf3hq_ebQ.gif" /><figcaption>SOC AI L1 Analyst Workflow</figcaption></figure><p>Retrieval-Augmented Generation kısaca RAG, Türkçe’ye “Erişim Destekli Üretim” olarak çevrilebilir. Tek cümleyle açıklarsak eğer, LLM’e soru sormadan önce, ilgili bilgileri bir kaynaktan çekip soruyla birlikte modele verme yöntemidir.</p><p>RAG, Fine Tuning ile çok karıştırılmaktadır. Bunu bende çok fazla yaşamaktaydım fakat işin içerisine girdiğimizde bu ayrımı çok net anlayabiliyorsunuz. Temel farkı tek cümleyle özetlersek eğer; <br>RAG, LLM’e dışardan bilgi vermektir, model burada değişmez. Fine-tuning ise LLM’in kendisini değiştirip, model yeniden eğitilir.</p><p><strong><em>Neden İhtiyaç Var?</em></strong></p><p>LLM’lerin eğitim verisi bir noktada kesilir, model o tarihten sonrasını bilemez. Yanlış bilmiyorsam eğer Chatgpt, 2022 yılında yayınlandığında ona sorulan soruları 2017–2018 e kadar bildiği bilgilerle yanıtlayabiliyordu. Çünkü gpt o güne kadar eğitilmişti.</p><p>Ayrıca şirket içi dokümanlar, playbooklar, özel raporlar gibi bilgileri hiç görmemektedir. RAG bu sorunu şöyle çözer;</p><p><em>Soru: “4625 eventcode brute force mu?”<br> ↓<br>Vector DB’den ilgili döküman parçaları çekilir<br> ↓<br>LLM’e şu gönderilir:<br> “Şu bilgileri kullan: [playbook chunk…]<br> Soru: 4625 eventcode brute force mu?”<br> ↓<br>LLM cevap üretir.</em></p><p>Model burada değişmeyip sadece sorguya özel bilgi eklemektedir.</p><p>Bazı durumlarda ise lokalde olup fine-tuning yapabilmek için gerekli donanıma veya ortama sahip olunamadığı için RAG yöntemine ihtiyaç duyulmaktadır.</p><p><strong><em>Karşılaştırma Tablosu</em></strong></p><figure><img alt="" src="https://cdn-images-1.medium.com/max/719/1*tOxnChOefW85bk9JMYG3jw.png" /><figcaption>Karşılaştırma Tablosu</figcaption></figure><p>SOC L1 Analist Projesini RAG ile Zenginleştirme</p><p>Bir önceki medium yazımda n8n de yaptığım küçük bir otomasyonla gpt nin 4.1 mini llm ini kullanarak aslında alarm ve logları dışarıya çıkararak bir SOC L1 asistan oluşturmuştum.</p><p><a href="https://medium.com/@sergenyanmis/n8n-ile-soc-l1-asistan-otomasyonu-f67af211b713">https://medium.com/@sergenyanmis/n8n-ile-soc-l1-asistan-otomasyonu-f67af211b713</a> buradan yazıma ulaşabilirsiniz.</p><p>Bu yazımda da n8n deki workflow u biraz daha genişletip kullandığım LLM i lokal LLM e çevirip, RAG mimarisini nasıl kurduğumu göstermek istiyorum.</p><p>Önceki workflowda amaç;</p><p>Splunktan gelen alarmı, eğer içerisinde bir IOC bilgisi varsa (ip, hash, url) ioc enrichment yap ve sonuçları LLM ile yorumlatıp bir analiz raporu oluşturmaktı.</p><p>Burada 2 problem vardı bana göre. 1.si LLM sadece gelen log + anlık veri ile çalışıyordu. 2. si ise bu datalar dışarıya çıkarılıyordu yani data kurum içerisinde kalmıyordu.</p><p>Yeni workflowda ise ilk adım olarak lokal llmleri yönetebileceğim platform olan ollamayı docker da ayağa kaldırdım. Ollama’nın kendi içerisinde llama, mistral gibi native Ollama modelleri bulunmaktadır. Fakat ben onları kullanmak yerine siber güvenlik alanında daha iyi sonuç alabildiğim gemini-3-flash-preview modelini kullandım. Bu modeli de lokalde kullanabilmek için ollama içerisine “ollama pull gemini-3-flash-preview” komutunu kullanıp indirebilmektesiniz. Internet bağlantısı olmadan da artık ollama sayesinde bu llm i kullanabilirsiniz.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*gvYg-e8jYDilNahlpe2Z7Q.png" /><figcaption>SOC L1 AsistanWorkflow</figcaption></figure><p>Bir önceki yazımda bu workflow u oldukça detaylı anlatmıştım. Bu workflowda biraz daha parçalara ayırmak durumunda kaldım. Bununda sebebi lokalde gemini kullanırken, abuseip, splunk gibi toolları ona bağlayamadığım için tüm verileri en son noktada gemini’ya getirip analiz etmesini sağladım. Bu şekilde hem performans açısından hem de problem analizi açısından çok daha sağlıklı olduğunu düşünüyorum.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/508/1*97NIYt5OayTE5TLQDV6cHg.png" /><figcaption>Rag Workflow</figcaption></figure><p>Önceki workflowda gelen anlık data ve alarm içeriğine göre analiz yaptırıp raporluyorduk. Burada LLM’e ek hafıza vererek bilgi tabanı, deneyim ve önceki alarmlarla ilişkilendirmesini sağlayabilmek için RAG’ı kullanıyoruz.</p><p><strong><em>Mimari</em></strong></p><p><em>Vector DB — Qdrant</em></p><p>Buradaki amaç sadece “dokümanı bir yere koyup LLM’e vermek” değildir. Amaç;</p><ul><li>Elindeki bilgi tabanını aranabilir hale getirmek,</li><li>Alarm geldiğinde, bu alarma en uygun bilgileri hızlıca bulmak,</li><li>Sadece bulunan ilgili parçaları LLM’e vermektir.</li></ul><p>Vector DB, anlamsal yakınlığa bakmaktadır. Çoğu zaman klasik arama yetmeyebilir. Örneğin siz failed authentication işlemini 4625 event id si ile ilişkilendirebilirsiniz. Anlamsal yakınlık (semantik search) sağlayabilmek için vector db ye ihtiyacımız bulunmaktadır. Vector DB için birçok seçeneğiniz bulunmaktadır.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/425/1*ZstXlhOXIpDRvb0bQ-fmcg.png" /><figcaption>Vector DB ler</figcaption></figure><p>Ben burada docker desktopta çok hızlı bir şekilde Qdrantı ayağa kaldırdım. Default olan port bilgilerini (6333, 6334) ü girdikten sonra web arayüzden üzerinden <a href="http://127.0.0.1:6333/">http://127.0.0.1:6333</a> servisin çalıştığını görüntüleyebilirsiniz.</p><p><strong><em>Embedding Model</em></strong></p><p>Vector DB kendi başına metni anlayamaz. Ona “vektör” vermek gerekir. Embedding modelin görevi de budur. Bir metni alır, onu sayısal bir temsile çevirir. Uzay noktasına bu sayısal temsille yerleştirir.</p><p>Örnek:</p><p>“Windows Event ID 4625 failed logon” embedding model bunu şöyle bir şeye çevirir;</p><p>[0.012, -0.438, 0.229, …]</p><p>Aynı şekilde query de vektöre çevrilir. Sonra vector DB şu soruyu çözer:</p><p>“<em>Bu query vektörüne en yakın doküman vektörleri hangileri?</em></p><p>Embedding model olarak hafif, hızlı, lokalde çalışan ve SOC text için yeterli anlamsal arama başarısı olduğu için “sentence-transformers/all-MiniLM-L6-v2” bu modeli kullandım.</p><p><em>Collection Oluşturma</em></p><p>Collection, vector DB içindeki “indeksli veri havuzu”dur. Qdrantta collection şuna benzemektedir;</p><ul><li>SQL’de — table,</li><li>Elasticsearchte — index,</li><li>Qdrantta — collection’dır.</li></ul><p>Bütün verilerimizin tutulacağı alana collection demekteyiz. Bu nedenle aşağıdaki script ile “soc_rag” adında bir collection oluşturabiliriz.</p><pre>from qdrant_client import QdrantClient<br>from qdrant_client.models import VectorParams, Distance<br><br>client = QdrantClient(&quot;localhost&quot;, port=6333)<br><br>client.recreate_collection(<br>    collection_name=&quot;soc_rag&quot;,<br>    vectors_config=VectorParams(<br>        size=384,<br>        distance=Distance.COSINE<br>    ),<br>)<br><br>print(&quot;Collection oluşturuldu&quot;)</pre><p><a href="http://127.0.0.1:6333/collections">http://127.0.0.1:6333/collections</a> sekmesine ilerlediğinizde “soc_rag” ı görebilirsiniz. Buradaki kritik nokta şu, collection scripti içerisinde “size=384” satırında vektör boyutunu belirtmekteyiz. Bu da “ben 384 boyutlu vektörleri saklayacağım” anlamına gelmektedir. “distance=Distance.COSINE” ise semantik aramada için en yaygın kullanılan yöntemdir. Anlamsal olarak ne kadar yakın olduğuna bakar. Collection olmazsa eğer, qdrant veri formatını bilmez, search yapılamaz. Ben burada tek collection kullandım. Alerts, events, triage, cases gibi dosyaları rag klasörü altında manuel olarak oluşturup bilgi tabanını tek bir klasör altında topladım.</p><p>rag/<br> ├── alerts/ alarmın ne olduğu,<br> ├── events/ log bilgisi,<br> ├── triage/ analist nasıl bakmalı kısmını bu şekilde bölümlendirdim.</p><p><strong><em>Chunking</em></strong></p><p>Bir dokümanı tek parça halinde indekslemek de kötüdür, çok küçük parçalamak da kötü. O nedenle chunking e ihtiyacımız bulunuyor. Makul boyutta parçalara bölmek, anlamlı bloklar elde etmek için bunu yapmaktayız. Bunu da embedding model gibi index_rag.py içerisinde gerçekleştireceğiz.</p><p><strong><em>Örnek RAG Dosyaları</em></strong></p><p>Örnek olarak alerts klasörünün içerisine bir tane kurumunuzda olduğunu varsaydığımız bir alarm ekliyorum. Alarm dosyasının formatı txt, csv, md olabilir. Ben .md olarak kullanıyorum. RAG dosyasının içerisine ham log koyulması önerilmiyor. Bundan ziyade RAG dosyası daha kısa olmalı, açıklamalar net ve özenli olmalıdır.</p><pre># Alert: Brute Force Credentials via SMB<br><br>## Summary<br>Bu alarm aynı kullanıcıya veya aynı hedefe yönelik art arda başarısız SMB logon denemelerini tespit eder.<br><br>## Relevant Events<br>- Windows Event ID 4625<br><br>## Important Fields<br>- Account_Name<br>- Source Network Address<br>- Workstation Name<br>- Authentication Package<br>- Failure Reason<br>- Logon Type<br><br>## Triage Notes<br>- Aynı source address kısa sürede çok sayıda başarısız deneme yapıyorsa brute force olabilir.<br>- Aynı kullanıcı adına yönelik tekrar eden 4625 kayıtları suspicious kabul edilebilir.<br>- 4625 sonrasında 4624 başarılı logon görülürse risk artar.<br><br>## False Positive Indicators<br>- Kullanıcı yanlış parola girmiş olabilir.<br>- Service account veya yanlış konfigüre edilmiş uygulama tekrar deneyebilir.<br>- Internal scanner veya yönetim sistemi authentication retry üretebilir.<br><br>## Escalation Indicators<br>- Aynı source birden fazla kullanıcıyı deniyorsa<br>- Aynı kullanıcı farklı source’lardan deneniyorsa<br>- 4625 sonrası 4624 başarı geliyorsa</pre><p>Alarm ile ilgili event id bilgilendirmesini de rag/events klasörü içerisine .md formatında ekliyorum.</p><pre># Windows Event ID 4625<br><br>## Meaning<br>Başarısız logon denemesi.<br><br>## Important Fields<br>- Account Name<br>- Account Domain<br>- Source Network Address<br>- Source Port<br>- Workstation Name<br>- Authentication Package<br>- Failure Reason<br>- Logon Type<br><br>## Analyst Notes<br>- Logon Type 3 network logon anlamına gelir.<br>- NTLM varsa SMB veya network authentication ilişkili olabilir.<br>- &quot;Unknown user name or bad password&quot; tek başına saldırı kanıtı değildir.<br>- Aynı kullanıcı veya aynı source üzerinde tekrar eden denemeler korelasyon için önemlidir.</pre><p>Analistinde alarm sonrasında neye dikkat etmesi gerektiğini de triage path i içerisine ekliyorum. Buradaki analist aslında bizim lokal llm.</p><pre># Triage Guide - Failed Authentication<br><br>## What To Check<br>- Aynı source address kaç kez deneme yapmış<br>- Aynı kullanıcı adı kaç kez denenmiş<br>- Farklı kullanıcılar da denenmiş mi<br>- Aynı source için başarılı login var mı<br>- Workstation adı beklenen bir host mu<br><br>## Likely Benign<br>- Tekil kullanıcı hatası<br>- Bilinen servis hesabı<br>- Kullanıcının kendi endpointinden kısa süreli yanlış deneme<br><br>## Suspicious<br>- Birden fazla kullanıcı denemesi<br>- Kısa sürede yüksek hacimli hata<br>- Beklenmeyen host veya address<br>- Başarısız denemeleri başarı takip ediyorsa</pre><p>Örnek rag dosyalarını da bu şekilde ekledikten sonra artık vector db içerisine indekslemesini sağlamamız için aşağıdaki python scriptini çalıştırmamız gerekiyor. Bu benim yaptığım manuel indeksleme bunu tabikide otomatik bir şekilde de gerçekleştirebiliriz.</p><pre>from pathlib import Path<br>import uuid<br><br>from qdrant_client import QdrantClient<br>from qdrant_client.models import PointStruct<br>from sentence_transformers import SentenceTransformer<br><br>QDRANT_HOST = &quot;localhost&quot;<br>QDRANT_PORT = 6333<br>COLLECTION_NAME = &quot;soc_rag&quot;<br>RAG_DIR = Path(&quot;./rag&quot;)<br><br>MODEL_NAME = &quot;sentence-transformers/all-MiniLM-L6-v2&quot;<br><br>client = QdrantClient(QDRANT_HOST, port=QDRANT_PORT)<br>model = SentenceTransformer(MODEL_NAME)<br><br><br>def chunk_text(text: str, max_chars: int = 1200, overlap: int = 150) -&gt; list[str]:<br>    text = text.strip()<br>    if not text:<br>        return []<br><br>    chunks = []<br>    start = 0<br>    n = len(text)<br><br>    while start &lt; n:<br>        end = min(start + max_chars, n)<br>        chunk = text[start:end].strip()<br>        if chunk:<br>            chunks.append(chunk)<br>        if end == n:<br>            break<br>        start = max(0, end - overlap)<br><br>    return chunks<br><br><br>documents = []<br><br>for path in RAG_DIR.rglob(&quot;*.md&quot;):<br>    text = path.read_text(encoding=&quot;utf-8&quot;)<br>    chunks = chunk_text(text)<br>    for i, chunk in enumerate(chunks):<br>        documents.append(<br>            {<br>                &quot;id&quot;: str(uuid.uuid4()),<br>                &quot;text&quot;: chunk,<br>                &quot;source&quot;: path.name,<br>                &quot;path&quot;: str(path),<br>                &quot;chunk_index&quot;: i,<br>                &quot;category&quot;: path.parent.name,<br>            }<br>        )<br><br>if not documents:<br>    raise RuntimeError(&quot;Indexlenecek markdown dosyası bulunamadı.&quot;)<br><br>texts = [doc[&quot;text&quot;] for doc in documents]<br>vectors = model.encode(texts, normalize_embeddings=True)<br><br>points = []<br>for doc, vector in zip(documents, vectors):<br>    points.append(<br>        PointStruct(<br>            id=doc[&quot;id&quot;],<br>            vector=vector.tolist(),<br>            payload={<br>                &quot;text&quot;: doc[&quot;text&quot;],<br>                &quot;source&quot;: doc[&quot;source&quot;],<br>                &quot;path&quot;: doc[&quot;path&quot;],<br>                &quot;chunk_index&quot;: doc[&quot;chunk_index&quot;],<br>                &quot;category&quot;: doc[&quot;category&quot;],<br>            },<br>        )<br>    )<br><br>client.upsert(collection_name=COLLECTION_NAME, points=points)<br><br>print(f&quot;Indexleme tamamlandı. Toplam chunk: {len(points)}&quot;)</pre><p>Bu script, içerisinde embedding model i tanımlayıp rag pathi içerisinde eklediğimiz alarmları, triageları, event idleri vector db ye yazmasını sağlar.</p><p>Son olarak da n8n workflow unda vector db den search edebilmesi için FAST API ye ihtiyacımız bulunmaktadır. Bunu farklı yöntemlerle de çözebilirsiniz fakat ben şuanda bunu tercih ettim. n8n ile vector db yi bu şekilde konuşturabildim. Vector db nin olduğu sunucu da aşağıdaki komut çalıştırılıp 8000 portunun açılması gerekmektedir.</p><pre>python -m uvicorn rag_api:app --host 0.0.0.0 --port 8000</pre><p>Daha sonrasında n8n de bir http node oluşturup içerisini aşağıdaki bilgilerle doldurmanız gerekmektedir.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/512/1*kAHnJoMTKCHvP6jACKs1bw.png" /><figcaption>RAG Search</figcaption></figure><p>En alt kısımda bir önceki node içerisinden gelen “ragQuery” değeri alınmaktadır. RAG query i ben bir önceki aşamada oluşturduğum için orada çağırmaktayım. Bu şekilde http node u oluşturarak vector db de semantik aramalar yapabilmekteyim.</p><p><strong><em>Prompt’a RAG Eklenmesi</em></strong></p><p>RAG mimarimizi oluşturduktan sonra lokal llm promptuna RAG dan elde ettiği bilgileri kullanması ve analiz etmesi için aşağıdaki satırları eklememiz gerekiyor.</p><pre>## Retrieved Knowledge (RAG)<br>{{ $json.ragContext }}</pre><p>Modelin sapmasını engellemek için de şu satırı prompta ekleyebiliriz.</p><pre>RAG bilgisini sadece ilgiliyse kullan.</pre><p>Ve artık sistem son aşamada şu hale geldi;</p><p>Alarm<br> + IOC enrichment<br> + Splunk historical search<br> + AbuseIPDB<br> + RAG knowledge</p><p>= SOC Analyst AI</p><p>Brute force alarmı tetikletip bir analiz yapmasını istedim ve sonuç aşağıdaki gibi;</p><pre>---<br>🛡 SOC L1 Alert Analysis<br><br>Summary:<br>- Alarm Adı: Brute Force Credentials of Single Active Directory Domain Users via Smb<br>- İlk Gözlem: DESKTOP-CPM9OS4 isimli bilgisayarda &quot;syanmis&quot; kullanıcı hesabı için bir adet başarısız ağ oturum açma denemesi (Event ID 4625) gerçekleşmiştir.<br>- Özet: Logon Type 3 (Network) ve NTLM kimlik doğrulama paketi kullanılarak yapılan SMB erişim denemesi, &quot;Hatalı parola veya bilinmeyen kullanıcı adı&quot; (0xC000006A) nedeniyle başarısız olmuştur. Kaynak adres bir IPv6 yerel ağ adresidir.<br><br>IOC Enrichment:<br>- IOC Detected: Evet<br>- Tespit Edilen IOC&#39;ler:<br>  - IP: fe80::ea73:2a1a:922b:c5be (Source Network Address)<br>  - Hash: N/A<br>  - Domain: DESKTOP-CPM9OS4 (Workstation Name)<br>  - Path/Process: N/A<br>- AbuseIPDB Sonuçları: N/A (Dahili IPv6 adresi olduğu için sorgu yapılmadı)<br>- Splunk Geçmiş Arama:<br>  - Durum: Yapıldı<br>  - Event Sayısı: 1<br>  - Önemli Bulgular: Son dönemde aynı kullanıcı veya kaynak cihazdan gelen başka bir başarısız oturum açma denemesi tespit edilmemiştir.<br><br>MITRE ATT&amp;CK Mapping:<br>- Technique ID: T1110.001<br>- Technique Name: Brute Force: Password Guessing<br>- Justification: SMB protokolü üzerinden gerçekleştirilen başarısız ağ oturum açma denemesi (Logon Type 3), parola tahmin etme girişimi kategorisine girmektedir.<br><br>Severity Assessment:<br>- Seviye: Low<br>- Değerlendirme: False Positive<br>- Gerekçe: Alarm &quot;Brute Force&quot; (Kaba Kuvvet) olarak tetiklenmiş olsa da, analiz edilen zaman diliminde ve geçmiş aramalarda yalnızca 1 adet başarısız deneme tespit edilmiştir. Brute force saldırıları için tipik olan &quot;kısa sürede çok sayıda deneme&quot; bulgusu mevcut değildir. Mevcut veri, kullanıcının parolasını yanlış girmesi veya otomatik bir servisin eski kimlik bilgileriyle ağ paylaşımına erişme çabası gibi durumlara işaret etmektedir.<br><br>Recommended Actions:<br>- SOC L1 Önerilen Aksiyon: Olay tekil bir başarısız deneme olduğu için şu aşamada bir aksiyon gerekmemektedir. Ancak &quot;syanmis&quot; kullanıcısının ve kaynak IPv6 adresinin ilerleyen süreçte benzer aktiviteleri (hacimsel artış) olup olmadığı izlenmeye devam edilmelidir. Eğer kısa sürede deneme sayısı artarsa analiz tekrar değerlendirilmelidir.<br>---</pre><p>Eksiklikler olabilir fakat bu tamamen sizin RAG dosyalarını nasıl oluşturup, promptu ne kadar iyi girmenize bağlı olarak değişebilir.</p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=18f3575dec0a" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[n8n ile SOC L1 Asistan Otomasyonu]]></title>
            <link>https://medium.com/@sergenyanmis/n8n-ile-soc-l1-asistan-otomasyonu-f67af211b713?source=rss-d170091eaf07------2</link>
            <guid isPermaLink="false">https://medium.com/p/f67af211b713</guid>
            <category><![CDATA[soc]]></category>
            <category><![CDATA[cybersecurity]]></category>
            <category><![CDATA[n8n]]></category>
            <dc:creator><![CDATA[Sergen Yanmış]]></dc:creator>
            <pubDate>Tue, 10 Feb 2026 06:17:21 GMT</pubDate>
            <atom:updated>2026-02-10T06:17:21.487Z</atom:updated>
            <content:encoded><![CDATA[<p>Herkese selamlar. Bu yazımda, lokalde n8n kullanarak Splunk’tan gelen alarmları ai-agent a L1 analist rolüyle analiz ettirip, telegramdan bize rapor göndermesini sağlayan otomasyonumu anlatmak istiyorum.</p><p>SOC tarafında çalışıyorsanız eğer alarm sonrasındaki analiz süresi ve kaliteli analizin ne kadar kıymetli olduğunu bilmek gerekmektedir. SIEM, XDR, NDR gibi ürünlerden gelen alarmlarda analiz süreciniz ne kadar gecikirse, hem kendi üzerinizdeki stresin artmasına hem de geç aksiyon gibi durumlara neden olabilirsiniz. SOC süreçlerinin en önemli noktasının L1 tarafında çalışan arkadaşların olduğunu söyleyebilirim. Bu noktadan çıkan analizler çok fazla alanı etkileyebilmektedir.</p><p>Hız ve doğru analiz L1 aşamasında en önemli faktörlerden birisidir. Bu nedenle SOC ekipleri, analistlerin çok fazla alanda analiz yapmasının önüne geçebilmek için incidentlarla ilgili tüm detayları tek bir yerde toplayıp orada analiz yapmalarını isterler (SOAR). Hatta Soar’a Active Directory, asset bilgileri, ticket yönetimi yapan ürünleri entegre ederek çok daha hızlı bir şekilde sonuca ulaşmak isterler. Ben de bu noktadan yola çıkarak alarm geldikten sonra hızlı analiz edilip L1 analistlere bildirmesi için bir otomasyon hazırladım. Bu otomasyonu n8n kullanarak gerçekleştirdim. Peki bu n8n nedir?</p><h4>n8n Nedir?</h4><p>n8n en basit haliyle bir otomasyon platformudur. Farklı sistemleri birbirine bağlayıp aralarında otomatik işler koşturan opensource bir araçtır. n8n ile;<br>- API leri konuşturabilir,</p><ul><li>API leri konuşturabilir,</li><li>Periyodik işler çalıştırabilir,</li><li>Webhookları yakalayabilir,</li><li>Gelen veriyi dönüştürür, filtreler, koşula sokabilir,</li><li>Sonuçları başka sistemlere gönderebilirsiniz.</li></ul><p>N8n de her şey bir aksiyon — node mantığıyla çalışmaktadır. Nodeları sürükle bırak bağlayarak bir workflow oluşturabilirsiniz. n8n’i kendi sunucularını kullanarak yanlış hatırlamıyorsam 14 dolar gibi bir ücrete satın alabiliyorsunuz. Fakat buna gerek olmadan 2 farklı yöntemle daha uyguna kullanabilirsiniz. Birinci yöntemde dockerdan n8n i ayağa kaldırarak ücrersiz lisans ile belirli sınırlar içerisinde ücretsiz kullanabilmektesiniz. 2. yöntemde ise <a href="https://repocloud.io/login">https://repocloud.io/login</a>? adresinden 3$ gibi bir ücrete n8n i daha uyguna kullanabilirsiniz.</p><p>Ayrıca yeni üye olduğunuzda 14 gün kadar ücretsiz n8n i kullanabilmektesiniz. Ben burada gerek n8n de çıkan zafiyetler olsun gerekse yüksek ücretlerden dolayı lokalde n8n i docker aracılığıyla ayağa kaldırdım.</p><h4>Gelelim Otomasyona…</h4><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*qfbXvFzPyy7z2jzJO31r_w.png" /><figcaption>Workflow</figcaption></figure><p>Otomasyonun ilk amacı yukarıda da belirttiğim gibi L1 analistlere ön analiz raporu sunmaktır. Detaya inmeden önce workflow u açıklamak gerekirse;</p><ul><li>Splunk kuralında, alarm tetiklendikten sonra adaptive response alanına n8n’de oluşturduğumuz webhook node’un url i girilmektedir. Bu da Splunktaki alarmın n8n’e çekilmesini sağlar.</li><li>Alarm n8n’e geldikten sonra OpenAI’ın gpt-mini4.1 modeline SOC L1 analist rolü atanarak, alarm analiz ettirilir.</li><li>Eğer alarm içerisindeki ioc lerde IP yer alıyorsa AbuseIPDB aracına gidilir ve burada IP nin repütasyonu sorgulanır. Daha sonrasında ilgili iocler için splunkta search çalıştırılır ve search sonucu yeniden analiz edilmesi için gpt ye gönderilir.</li><li>Son olarak toollarla zenginleştirilen analiz belirli bir format kullanılarak telegramdaki kanala gönderilir.</li></ul><h4><strong>Nodeları Analiz Edelim</strong></h4><p>Workflow’un amacını anladığımızı düşünüyorum. n8n platformunda istediğiniz entegrasyonu yapabilmektesiniz. Bu workflow u Splunk ile gerçekleştirdim fakat siz Qradar ile yapmak isterseniz eğer entegrasyonu olmasa bile http requestler kullanarak API sorguları atabilmektesiniz. Şimdi oluşturduğum workflow u adım adım analiz edelim.</p><p><strong>Webhook</strong>: Bu aşama Splunkta triggerlanan alarmın n8n’e alınmasını sağlar. Splunkta oluşturulan alarm içerisindeki “trigger actions” alanına;</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/765/1*omfGcFXkxNaxMv11Bai5Dg.png" /></figure><p>Webhook action ı eklenir ve n8n üzerinde webhook node u içerisindeki adres eklenir. Bunu n8n de analiz edilmesini istediğiniz tüm alarmlar için gerçekleştirmelisiniz.</p><p><strong>GPT Agent: </strong>n8n de OpenAI, Gemini, lokalde kullandığınız Ollama ya da kendi LLM modeliniz var ise bunu entegre edebilirsiniz. Ben burada Ollama yı kullanarak LLM i de lokalde kullanmak istedim fakat isterlerin yüksek olması nedeniyle bunu kullanamadım ve tabiki test ortamı olduğu içinde alarm detaylarının gpt ye analiz ettirmeyi göze aldım. Tekrar belirtmeliyim ki bunu yapınızda kullanmak isterseniz eğer lokalde kullandığınız LLM leri çok rahatlıkla entegre edebilirsiniz. Daha güvenilir bir ortam için bunu tercih etmelisiniz.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/449/1*meCDxndhx_xaggLUL7QZmw.png" /><figcaption>OpenAI Account</figcaption></figure><p>GPT modellerini kullanmak istediğimiz zaman openai üzerinde ürettiğiniz api key ile n8n i konuşturabilirsiniz. İlgili key i üretebileceğiniz adresi bırakıyorum ( <a href="https://platform.openai.com/settings/organization/api-keys">https://platform.openai.com/settings/organization/api-keys</a>)</p><p>Entegrasyonu gerçekleştirdikten sonra istediğiniz gpt modelini kullanabilirsiniz. Tabii buradaki her bir sorgu maliyete karşılık geliyor. Çok cüzi miktarda bir ücret karşılığında (ben 3$ ekledim) bu modelleri kullanabilirsiniz.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/412/1*BnmrBgtoqQir54b6EisxVA.png" /><figcaption>OpenAI Agent</figcaption></figure><p>GPT-4.1-MINI modelini kullanarak modele bir rol ataması yapıp ona SOC L1 analist olduğunu ve görevlerini belirttiğim bir prompt hazırladım. Bu promp içerisinde kesinlikle yapmalısın etmelisin gibi nazik ifadelerden kaçındım. Bunu yaptığımda sonucunu doğru alamadığımı tespit ettim. Aşağıda promptun tam halini ekledim. Sizde bunu kendinize göre düzenleyebilirsiniz. Hatta chatgpt den bile faydalanıp promptunuzu güçlendirebilirsiniz.</p><pre>Sen bir SOC Seviye-1 (L1) Güvenlik Analistisin.<br>Görevin, Splunk’tan gelen alarmların birinci seviye triyajını yapmaktır.<br><br>❗ Nihai incident kararı vermezsin<br>❗ Escalation yapmazsın<br>❗ Kanıt yoksa varsayım yapmazsın<br><br>🎯 TEMEL PRENSİPLER<br><br>Analizi yalnızca alarm verisi + tool çıktılarıyla yap<br><br>False Positive / Suspicious ayrımı yap, kesin yargıdan kaçın<br><br>MITRE ATT&amp;CK sadece kanıt varsa kullan<br><br>Chatbot gibi değil, gerçek SOC analisti gibi düşün<br><br>🔍 IOC TESPİTİ (ZORUNLU)<br><br>Aşağıdaki IOC türlerini mutlaka kontrol et:<br><br>Bu alanlarda kontrollerini yap ve analizini bu alanlara göre gerçekleştir.<br><br>{{ $json.body.result.Account_Name[0] }} <br>{{ $json.body.result.ComputerName }}<br>{{ $json.body.result.Creator_Process_Name }}<br>{{ $json.body.result.EventCode }}<br>{{ $json.body.result.Process_Command_Line }}<br>{{ $json.body.result.Authentication_Package }}<br>{{ $json.body.result.Failure_Reason }}<br>{{ $json.body.result.Message }}<br><br>Analizlerini bu alanların içeriğine göre yap. Asla alarm ismini splunkta arama. Sadece bu alanlarda alarma neden olan veriyi bulup ona göre search yap.<br><br>IP (IPv4 / IPv6)<br><br>Domain / Hostname / URL<br><br>Hash (MD5 / SHA1 / SHA256)<br><br>Dosya yolu / executable<br>(.exe, .dll, .ps1, .bat vb.)<br><br>IOC yoksa bunu açıkça belirt.<br><br>🌐 IOC ENRICHMENT (ZORUNLU)<br><br>Her IOC için mutlaka Splunk search yapılacaktır<br><br>IOC bir IP ise:<br><br>AbuseIPDB sorgusu zorunludur<br><br>Sonra Splunk geçmiş araması yapılır<br><br>❗ Splunk sonucu GELMEDEN analiz yapılmaz<br><br>🔴 SPLUNK SEARCH RULES (KRİTİK)<br>🔧 ZORUNLU SPL ŞABLONU<br><br>TÜM Splunk sorguları bu yapıdan türetilmelidir:<br><br>search index=* earliest=-24h latest=now (<br>  &lt;FIELD_BASED_CONDITIONS&gt;<br>  OR<br>  &lt;STRING_BASED_CONDITIONS&gt;<br>)<br><br>📌 SPL KURALLARI<br><br>search ile başlamak zorunda<br><br>index=* zorunlu<br><br>earliest / latest zorunlu<br><br>Tüm string değerler &quot; &quot; içinde olmalı<br><br>\ karakterleri \\ olarak escape edilmeli<br><br>Her IOC için ayrı search<br><br>IOC değeri en az bir kez string-based search içinde yer almalı<br><br>🚫 FIELD VARSAYIM YASAĞI<br><br>Aşağıdaki field’lar ASLA varsayılmaz:<br><br>src_ip<br><br>dest_ip<br><br>Image<br><br>CommandLine<br><br>process<br><br>user<br><br>Bu field’lar alarm içeriğinde açıkça varsa kullanılabilir.<br>Aksi durumda SADECE string-based search yapılır.<br><br>🧠 IOC → SPL KARAR MANTIĞI<br><br>IP IOC<br><br>&quot;1.2.3.4&quot; → string-based search<br><br>Field alarmda varsa:<br>src_ip=&quot;1.2.3.4&quot; OR dest_ip=&quot;1.2.3.4&quot;<br><br>Path IOC<br><br>Sadece string-based search<br><br>\\ escape zorunlu<br><br>Hash IOC<br><br>Hash field’i belirtilmemişse field kullanma<br><br>String-based search zorunlu<br><br>🛑 SPL SELF-CHECK (ZORUNLU)<br><br>Splunk tool’una göndermeden önce kontrol et:<br><br>SPL search ile başlıyor mu?<br><br>index=* var mı?<br><br>earliest / latest var mı?<br><br>Tırnaklar doğru mu?<br><br>Escape doğru mu?<br><br>❌ Geçersiz SPL tool’a GÖNDERİLMEZ<br><br>🔁 SPLUNK TOOL AKIŞI (ZORUNLU)<br><br>1️⃣ Splunk Tool<br><br>Geçerli SPL ile search başlat<br><br>sid değerini al<br><br>2️⃣ ResultSplunk Tool<br><br>sid ile sonucu al<br><br>Sonuç gelmeden analiz yapma<br><br>Sonuç yoksa açıkça belirt:<br><br>“Splunk search başlatıldı ancak sonuç alınamadı”<br><br>⛔ ANALYSIS BLOCKING RULE<br><br>Splunk sonucu yoksa aşağıdakiler yazılamaz:<br><br>Summary yorumu<br><br>Severity Assessment<br><br>Recommended Actions<br><br>Bu durumda şunu yaz:<br><br>“Splunk search sonucu alınamadığı için değerlendirme sınırlıdır.”<br><br>📋 ÇIKTI FORMATI (DEĞİŞTİRİLEMEZ)<br>---<br>🛡 SOC L1 Alert Analysis<br><br>Summary:<br>- Alarm Adı:{{ $json.body.search_name }}<br>- İlk gözlem:<br><br>IOC Enrichment:<br>- IOC Detected:<br>- IOC Type:<br>- IOC Value:<br>- AbuseIPDB Result:<br>- Splunk Historical Search:<br>  - Result:<br>  - Event Count:<br>  - Notes:<br><br>MITRE ATT&amp;CK Mapping:<br>- Technique ID:<br>- Technique Name:<br>- Justification:<br><br>Severity Assessment:<br>- Assessment:<br>- Reasoning:<br><br>Recommended Actions:<br>- SOC L1 Recommended Action:<br>---<br><br>🚨 FINAL ENFORCEMENT RULE<br><br>Bu sistemde doğru SPL üretimi, analizden daha önceliklidir.<br><br>SPL hatalıysa analiz başarısız kabul edilir<br><br>Veri uydurma (hallucination) YASAK<br><br>Çıktı dili Türkçe</pre><p>Prompt içerisinde “{{ $json.body.result.Account_Name[0] }}” şöyle alanlar görmektesiniz. Bu aslında n8n deki en beğendiğim özelliklerden bir tanesi. Webhook ile çektiğimiz alarmın içerisindeki datayı json fieldlara bölüp sol sekmeye getirmektedir.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/720/1*J33nEHc6PD9wUkviNViT8A.png" /></figure><p>Analizi güçlendirmek için alarmın içerisindeki fieldları prompt içerisine sürükleyerek analizi o fieldlarda yapmasını ve ona göre değerlendirmesini yapmasını isteyebilirsiniz. Bu nedenle prompt içerisinde bu alanları eklemek analiz etmesi açısından oldukça önemlidir.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/533/1*tLLUe34HbU0iPx42aFlPQQ.png" /><figcaption>Tools</figcaption></figure><p><strong>Tools</strong>: gpt agent ımıza tool aracılığıyla abuse ipdb de sorgu özelliği ve splunk entegrasyonu özelliğiyle splunkta sorgu başlatma, sonuçları getirme özellikleri verebilmekteyiz.</p><p><strong>AbuseIPDB</strong>:</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/426/1*c31xTq8UQ3SsP_pdbJPm0A.png" /><figcaption>AbuseIPDB Integration</figcaption></figure><p>Bu entegrasyonu gerçekleştirerek alarm içerisinde eğer şüpheli bir IP adresi varsa bunu AbuseIP’ye API aracılığıyla sorup sonuçlarını getirebilmekteyiz. IP adresinin repütasyon skorunu, hangi ülkeye ait olduğu gibi verileri çekip analizimize ekleyebileceğiz. Entegrasyon için <a href="https://www.abuseipdb.com/account/api">https://www.abuseipdb.com/account/api</a> adresinden üyelik oluşturup apikey üretebiliriz. Günlük 1000 ip adresine kadar sorgulayabilmekteyiz. <a href="https://docs.abuseipdb.com/#introduction">https://docs.abuseipdb.com/#introduction</a> bu adresten de curl isteğini kopyalayıp yukarıdaki resimde görüldüğü gibi “import curl” alanına yapıştırmalıyız. “Query parameters” bölümünde ise ipAddress value ya ise gpt modelinden gelecek değer olacağı için “Defined automatically by the model” seçilmelidir. Hemen alt kısımlarda ise headers bölümüne ürettiğimiz apikey girilmelidir. Burada dikkat edilmesi gereken bir nokta var.</p><p>Attığımız her bir sorgu bir maliyet olduğu için abuseip den gelen sorgu sonucunun hepsini alamamaktayız. Bu nedenle;</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/408/1*m0D_xSnYrQiPf2sGu0V1uQ.png" /><figcaption>AbuseIp Entegrasyon</figcaption></figure><p>Bu nedenle sorgu sonucunu optimize etmemiz gerekmektedir. Dönen response “data” içerisinde olduğu için burada görmek ve analizimize eklemek istediğimiz fieldları eklememiz yeterli olacaktır. Ben bunun için “ipAddress,abuseConfidenceScore,countryCode,domain” gibi fieldları ekledim. Bu şekilde harcayacağım token miktarını da ciddi oranda azaltmış oldum.</p><p><strong>Splunk Search: </strong>n8n içerisinde default olarak Splunk entegrasyonu bulunuyor. Bu entegrasyonlar ile alarm triggerlayabilir, kayıtlı search ve rapor çalıştırma gibi birçok şeyi yapabilirsiniz. Yine custom API call ile desteklenen tüm sorguları atabilirsiniz.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/481/1*Dn-5sWDpEJZTMeXqwBXepg.png" /><figcaption>Splunk Integration</figcaption></figure><p>Splunk ı n8n ile konuşturmak için Splunk içerisinde “auth token” oluşturmam gerekmektedir. Bu auth token ı “Tokens” bölümünden oluşturabilirsiniz. Daha sonra n8n e bu token ı ekleyerek splunk ile konuşturabilirsiniz. Burada ben öncelikle şunu düşündüm. Alarm analiz edildikten sonra L1 analist gibi gelen ioclerden daha önce (1 gün içerisinde) başka bir hareket var mı yok mu gibi soruları cevaplayabilmek için Splunk’ta geriye doğru 1 günlük sorgu başlatıp sonuçları çekmek istedim. Örneğin brute force a neden olan user daha önce başka bir logda görülmüş mü görülmemiş mi gibi… Yukarıda operation olarak “search” ü seçip query de gpt modelinden gelecek değerlere göre çalıştırması için “defined automatically by the model” i seçtim.</p><p><strong>GetResult Splunk</strong>: Bu toolda ise başlatılan sorgunun idsine göre sonuçları Splunk üzerinden çekip modele gönderilme işlemi gerçekleştirilmektedir.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/447/1*ae8XSa6eQFIDZOX1DYU9cA.png" /><figcaption>GetResult Splunk Integration</figcaption></figure><p>Description bölümüne prompt ekleyerek daha da iyi sonuçlar elde edebilirsiniz. Splunkta başlatılan sorgudaki id ye göre “get result” operation ı kullanıp sonuçları almasını bu şekilde sağlamış oldum.</p><p><strong>Telegram</strong>: Son aşamada ise oluşturulan alarm analiz raporunun Telegram kanalı aracılığıyla analiste gönderilmesi gerçekleştirilmektedir. Telegramda istediğiniz botu oluşturup ücretsiz olarak istediğiniz kanala bildirimler gönderebilmektesiniz. Buradaki entegrasyonu da telegramda “BotFather” kanalı kullanılarak öncelikle “/start” daha sonra “/newbot” komutu kullanılıp bot hesaba isim verip işlemi tamamlayabilir ve api bilgilerine ulaşabilirsiniz. Buradaki apikey i n8n e ekleyerek entegrasyon tamamlanmış olur.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/456/1*mkSU8GEIjPPShehpeduRnQ.png" /><figcaption>Telegram Integration</figcaption></figure><p>İstenilen kanala mesaj gönderebileceğini belirtmiştim. Burada “Chat ID” alanına kanalın idsini yazıp text alanında ise hangi içeriğin gönderileceği girilir. Bu aşamayı da sol tarafta gelen json fieldlardan seçebilmektesiniz. Alt kısımdaki “append n8n attribution” defaultta açık olarak gelir. Bu da telegrama atılan mesajın altına “n8n” reklamı yazmasını sağlar. Bunu kaldırmak isterseniz disable a çekebilirsiniz. Ayrıca text içerisine koyduğumuz alanın html e göre parse edilmesini istediğim için parse mode u “html” olarak seçmiş oldum.</p><p>Bu şekilde workflow tamamlanmış oldu.</p><h4><strong>Simülasyon Aşaması</strong></h4><p>Artık workflow un tüm aşamaları tamamlanmış oldu. Hali hazırda kurulu olan sanal sunucumda Atomic bulunuyor fakat ben burada <a href="https://hackerai.co/">https://hackerai.co/</a> kullanarak powershell obfuscated command üretmesini istedim. Splunk içerisinde de kuralı yazıp webhook url ini kural action kısmına ekledim. Saldırıyı simüle etmeden önce tüm nodeları aynı anda çalıştıralım. Buna da execution denilmektedir.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*Ei_PFNimUeHuKK2PhbIYEg.png" /></figure><p>Görüldüğü gibi şuanda workflow webhook triggerlanması için Splunktan event beklemektedir. Saldırıyı simüle edelim.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*9l7V7NwDCwLbiKhoW6Xr8A.png" /><figcaption>Hacker.ai command</figcaption></figure><p>Hacker.ai istediğim command i üretti. Logunu Splunk’a aldığım sunucu içerisinde command i çalıştırıyorum. Burada özellikle abuseip tool unu kullanmak için dış ip den bir indirme işlemi istemiştim. 92.118.39.56 workflow içerisinde analiz edilecektir.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*jfTQ_Ke9Bwvp4Imj0iEQkA.png" /></figure><p>Görüldüğü gibi workflow başarılı bir şekilde çalıştı ve telegram kanalından bir rapor gönderdi. Bu raporu inceleyelim.</p><p><strong>Analiz Raporu:</strong></p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*TzdltQ5zZ_ieD5Xyu0GOAw.png" /><figcaption>Alarm Analizi</figcaption></figure><p>Görüldüğü gibi workflow çalıştıktan sonra ismini n8nbot koyduğum bot aracılığıyla kanala gönderdi. Gayet başarılı bir analiz olduğunu gözlemlemekteyim. Alarm adını “Obfuscted Powershell Command Detected” doğru bir şekilde Splunktan çekmiş olup 92.118.39.56 ip adresine tcp bağlantısı kurmaya çalıştığını analiz etmiştir. Daha sonra abuse ip ye bu ip bilgisini sorduğunda confidence skorunun 100, ülkeninde Romanya olduğunu ve risk taşıdğını belirtmektedir. Splunkta bu ioclerle ilgili search attığında ise birçok process creation (4688) event id bulmuş olup zararlı komut çalıştırıldığı tespit edilmiştir. Analiz raporunda Mitre mapping gerçekleştirilmiş ve reasoning alanında da özet bilgi geçilmiştir. Önerilen aksiyon kısmında ise soc l2 ye raporlanması gerektiği bildirilmiştir.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*JumT7g8Z1Q3-1HKzmZwotw.png" /></figure><p>Modeldeki promptta göre splunkta atılan sorgu görünmektedir. IP hiçbir field a bağlı olmaksızın tüm indexlerde aranmıştır. <em>Dipnot olarak, “index=*” olması gerçek hayatta problemler yaratabilir bu prompt düzeltilerek spesifik hale getirilebilir.</em></p><p><strong>Sonuç</strong></p><p>Bu otomasyon ile L1 analistlere destek olacak ön analiz raporu hazırlanmaktadır. Otomasyon gerçek hayatta daha da geliştirilip telegram yerine SOAR a analiz gönderilebilir hatta L2 ye otomatik olarak eskalasyonlar gerçekleştirilebilir. Ollama gibi lokalde kullanılacak LLM ler ile analizleri kendi eğittiğiniz modellere göre gerçekleştirilebilir ve güçlendirebilirsiniz.</p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=f67af211b713" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[Mitre Att&CK v18 ile Gelen Yenilikler]]></title>
            <link>https://medium.com/@sergenyanmis/mitre-att-ck-v18-ile-gelen-yenilikler-b71042a4a136?source=rss-d170091eaf07------2</link>
            <guid isPermaLink="false">https://medium.com/p/b71042a4a136</guid>
            <dc:creator><![CDATA[Sergen Yanmış]]></dc:creator>
            <pubDate>Sun, 02 Nov 2025 15:34:49 GMT</pubDate>
            <atom:updated>2025-11-02T15:43:57.444Z</atom:updated>
            <content:encoded><![CDATA[<h4><strong>Mitre Att&amp;ck Framework Nedir?</strong></h4><figure><img alt="" src="https://cdn-images-1.medium.com/max/678/1*9lv-Eynbje0MKDawYOL4Bg.png" /><figcaption>Mitre Att&amp;CK v18</figcaption></figure><p>Kısaca Mitre Att&amp;ck kavramını açıklamak gerekirse; yalnızca SOC yapısında bir referans tablo değil, savunma operasyonlarını modelleme, olgunlaştırma ve ölçme için kullanılan en kritik standartlardan biridir.</p><p>Kural, korelasyon, alarm, use-case gibi konularla ya da SOC Analist, Responder gibi görevleriniz varsa kesinlikle bu framework ile farkında olmasanız bile haşır neşir olduğunuz anlamına gelmektedir. Çünkü bu framework, saldırganların nasıl davrandıklarını sistematik biçimde tanımlayan global, açık kaynaklı bir bilgi tabanıdır. Yapınızda yazılan her kural, use-case de bu bilgi tabanı ile etiketlendiği için ister istemezde olsa karşınıza çıkmaktadır.</p><p>SOC ekipleri temel olarak üç iş yapmaktadırlar;</p><ul><li>Tespit (Detection),</li><li>Yanıt (Response),</li><li>İyileştirme (Improvement)</li></ul><p>İşte Mitre Att&amp;ck bu üç aşamanın da iskelet sistemidir. Şöyle;</p><ol><li><strong>Threat Detection (Tehdit Tespiti)</strong></li></ol><p>SOC ekipleri Att&amp;ck tekniklerini kullanarak tespit kurallarını tasarlarlar. (SIEM, EDR, XDR). Örneğin; saldırgan cmd.exe üzerinden PowerShell çalıştırıyorsa bu “T1059.001” tekniğidir. SOC bu davranışı algılayan kuralı yazmaktadır. Fayda olarak, kural tasarımı “neye bakmalıyım?” sorusuna sistematik yanıt vermektedir.</p><p><strong>2. Threat Hunting</strong></p><p>Threat Hunterlar, Mitre tekniklerini “av hipotezi” oluşturmak için kullanır. Eğer bir saldırgan kimlik bilgilerini çalıyorsa (Credential Access) büyük olasılıkla T1552 veya T1003 tekniklerini kullanmıştır. Bu tekniklerin göstergeleri (IoC, event pattern) üzerinden hunting başlatılır.</p><p><strong>3. Incident Response &amp; Forensic (Olay Müdahalesi)</strong></p><p>Bir saldırı sonrası, olayın hangi tekniklerle ilerlediği ATT&amp;CK matrisine göre analiz edilir. Böylece “cyber kill chain” netleşir. Hangi adımda savunma başarısız oldu? Hangisinde başarı sağlandı? gibi sorulara Mitre sayesinde yanıt bulunur. Olay analizleri standardize olur ve global ölçekte bu analizler anlaşılır hale gelmektedir.</p><p>Kısaca Mitre Att&amp;ck framewok nedir ve kullanım alanlarından bahsettikten sonra geçtiğimiz günlerde v18 yayınlanan Mitre Att&amp;ck framework ünü inceleyelim ve yeniliklere göz atalım.</p><h4>v18 Hakkında</h4><p>Önceki ATT&amp;CK versiyonlarında “Detections” ve “Data Sources” kavramlarını tamamen kaldırıp bunların yerine “Detection Strategies ve Analytics adlı iki yeni yapı getirmektedir. Somut örneklerle de göstereceğim bu değişiklikle birlikte, tespit süreci artık davranış(behavior) odaklı bir yaklaşıma evrilmektedir. Bu bağlamda Detection Strategies, hangi davranışların aranacağını tanımlarken, Analytics bu davranışların hangi platformlarda, hangi telemetriler ile yakalanabileceğini belirtmektedir.</p><p>Yapılan değişiklikle birlikte artık her teknik için tek satırlık “hangi data kaynağı” değil, davranışa dayalı stratejiler ve bu stratejileri platform/telemetri bazlı hayata geçiren Analytics nesneleri yer almaktadır. Bununla birlikte de, tespitin ne aradığı ile bunu hangi telemetriyle nasıl yakalayacağın arasını daha net ayırmaktadır.</p><p>Örnekle ilerleyelim isterseniz;</p><p><strong><em>Mitre Att&amp;CK version 17, T1550.003</em></strong></p><figure><img alt="" src="https://cdn-images-1.medium.com/max/948/1*gsLZWVikPr0PZuuwialo_Q.png" /><figcaption>T1550.003 v17</figcaption></figure><p><strong><em>Mitre Att&amp;CK version 18, T1550.003</em></strong></p><figure><img alt="" src="https://cdn-images-1.medium.com/max/941/1*RL1FZi8cHrbKiNEohd2J1w.png" /></figure><p>Yukarıda v17 ve v18 e göre T1550.003 Pass The Ticket tekniği için inceleme yapalım. v17 ile v18 arasındaki en temel farkı somut bir şekilde görebileceğimiz bir örnek aslında.</p><ul><li>Klasik v17 Att&amp;CK yapısında “Veri Kaynağı (Data Source), Veri Bileşeni (Data Component) ve “Algılar (Detection” bölümleri vardır. Bu yapı temel olarak log tabanlıydı. Örnek olarak Active Directory — Kerberos Ticket Request gibi olay türlerini izlemeyi öneriyordu. Yani SOC analistinin hangi logları izlemesi gerektiği doğrudan listeleniyordu.</li><li>Yeni yapıda ise, artık detection yerine “detection strategy (Tespit Stratejisi)” kavramını görmekteyiz. Log olayları yerine, davranışsal kalıplar temel alınmış durumdadır. Yukarıdaki örnekte DET0352 kimlikli strateji, yalnızca tek bir event ID’ye değil davranış dizisine odaklanmaktadır. Yani olayların birbiriyle korelasyonunu analiz eden bir tespit strateji önermektedir.</li><li>v18&#39;de “Analitik Kimlik (Analytic ID)” gibi bir etiket eklenmiştir. Bu, Mitre’nin aynı davranış kalıbını farklı ortamlarda (Windows, Linux, AD, Cloud) izlemek için referans olarak kullanacağı yeni bir modeldir. Artık hangi analitiğin neyi tespit ettiği Mitre tarafında benzersiz bir ID ile tanımlanabilmektedir.</li><li>Artık sadece event ID leri aramak yeterli değil. Olayların zaman dizisini, ilişkisini ve bağlamını değerlendiren korelasyon kuralları geliştirmek gerekiyor. Sadece 4769 event id sinin olması tek başına bir şey ifade etmek yerine öncesinde 4768 in olmaması bu olayı anormal hale getirmektedir.</li></ul><p>Özetleyecek olursak, v18 klasik “hangi logu dinleyeyim” sorusundan uzaklaşıp “hangi davranışı tespit edeyim?” sorusuna yanıt vermektedr. SOC yapısında “Mitre ID = SIEM Kuralı” yaklaşımı artık yeterli değil. Bunun yerine Mitre Detection Strategy ID veya Analytic ID bazlı korelasyonlar oluşturmak önerilmektedir.</p><h4>Diğer Yenilikler</h4><p><strong>Enterprise</strong></p><ul><li>Kurumsal alanda altyapı, Kubernetes, DevOps / CI/CD pipeline’ları, cloud veritabanları gibi modern bileşenler için yeni teknikler eklendi.</li><li>Ransomware hazırlık faaliyetleri ve saldırganların kendi istihbarat kaynaklarını izleme davranışları (örneğin, kendi kampanyalarıyla ilgili bilgi toplama) gibi davranışlar eklendi.</li></ul><p><strong>Mobil</strong></p><p>Mobil bölümünde, Signal ve Whatsapp’taki “bağlantılı cihazlar” özelliğini kötüye kullanan saldırganlara yönelik kapsam eklendi. Ayrıca bu bölümde, ATT&amp;CK’nin 7.sürümünde kullanımdan kaldırılan “erişilebilirlik özelliklerini kötüye kullanma (abuse accessibility features)” tekniği geri getirildi.</p><p><strong>ICS (Endüstriyel Kontrol Sistemleri)</strong></p><p>Bu alandaki en önemli değişiklikler, yeni varlıklar ve mevcut varlıkların açıklamalarındaki güncellemelerle ilgilidir.</p><p><strong>CTI (Cyber Threat Intelligence)</strong></p><p>Bu tarafta ise, yeni gruplar, kampanyalar ve yazılımlar eklendi. Özellikle tedarik zinciri saldırıları, cloud id suistimali, sanallaştırma sistem saldırıları üzerine içerik derinleştirildi. Toplamda 6 yeni tehdit grubu eklenmiş olup bu saldırganların nasıl uyum sağladığını yansıtacak şekilde mevcut olanlardan bazıları da genişletilmiştir. 29 yeni yazılım aracı ve 5 yeni kampanya eklenmiştir.</p><h4>Defense Evasion Taktiğinin Kullanımdan Kaldırılması Hakkında</h4><p>Shriram Sharma’nın araştırmaları ve son yazısına göre Mitre, 2026 yılında ATT&amp;CK çerçevesinde önemli bir değişiklik planlamaktadır. Şuanda bu bölünmenin ilk adımı atılmış olup beta sürümü yayınlanmıştır. İçeriği oldukça büyük ve geniş olan Defense Evasion(TA00005) taktiğinin kullanımdan kaldırılıp, bunun yerine <strong><em>Impair Defenses</em></strong> ve <strong><em>Stealth</em></strong> taktiklerine bölünmesi planlanmaktadır.</p><p>Bu güncelleme ile, SOC topluluğunda geniş çaplı bir dalgalanma etkisi beklenmektedir. Taktik ile eşleşen birçok korelasyon kuralı, alarmlar, raporlamalar ve iş akışlarının yeniden düzenlenmesi gerekecektir. Mitre’de Mac OS ve Linux lideri olan Cat Self, Att&amp;ckCon 6.0&#39; da yapılan bir sunumda Defense Evasion’ın kullanımdan kaldırılmasının nasıl sonuçlanacağını açıklayarak, çerçevede önemli bir evrimin sinyalini vermiştir.</p><p>Defense Evasion’ın kullanımdan kaldırılmasının en büyük sebebi olarak içerisinde 45&#39;ten fazla tekniği bünyesinde barındırması ve çok büyük olarak değerlendirmesi görülmektedir. Ayrıca Cat Self’e göre Defense Evasion temel taktik tanımını ihmal etmektedir. Self’e göre bir taktik, ilk erişimi elde etmek veya kalıcılık sağlamak gibi, düşmanın hedefi tarafından tanımlanır.</p><p>Defense Evasion, saldırganın gerçek hedeflerini daha iyi yansıtan iki yeni ve daha hassas taktikle değiştiğini yukarıda belirtmiştim. Bunları biraz yakından inceleyelim;</p><p><strong><em>Stealth (Gizlilik):</em> </strong>Bu taktiğin amacı saklanmak ve sinsice hareket etmektir. Gizlilik tekniklerini kullanan saldırgan, izlerini gizlemeye ve hareket halindeyken tespit edilmekten kaçınmaya odaklanır. Gizlilik taktiği kapsamında önerilen teknikler şunlardır;</p><ul><li>Mutual Exclusion,</li><li>Email Hiding Rules,</li><li>Hidden Users/Files,</li><li>Build Image on Host,</li><li>Impersonation,</li><li>Modify Cloud Compute Infrastructure,</li><li>Break Process Trees,</li><li>Unsupported/Unused Cloud Regions,</li><li>Execution Guardrails</li></ul><p><strong><em>Impair Defenses (Savunmaları Zayıflat)</em>: </strong>Bu taktiğin amacı, savunmacının araçlarını ve görünürlüğünü aktif olarak engellemektir. Rakip sadece saklanmak yerine, savunmaları “artık etkili olmayan” hale getirmek için doğrudan harekete geçer. Bu yeni taktik şunları içerecektir;</p><ul><li>All of “Impair Defenses”,</li><li>Conditional Access Policies,</li><li>Code Signing Policy Modification,</li><li>Most of “Indicator Removal”,</li><li>Domain or Tenant Policy Modification,</li><li>Debugger Evasion,</li><li>Credential Access Policies,</li><li>Subvert Trust Controls</li></ul><h4>Özet</h4><p>Mitre Att&amp;ck v18, beraberinde kapsamlı değişiklikler getirmiştir. Özellikle detection engineerlar için kurallarda Mitre Attack framework ü sıklıkla kullanılmaktadır. Hem yeni yazılacak kural ve use caselerde hem de taglemelerde yapıların gözden geçirilmesi ve yeni versiyonla zenginleştirilmesi gerekmektedir. Ayrıca yapay zekayla da ilgili olarak Mitre’ye eklenmiş yeni bir şey göremedim. Bununla ilgili olarak, yapay zeka saldırılar sırasında yardım amaçlı kullanımdan operasyonel kullanıma nasıl dönüştüğünü kategorize etmek için daha fazla veriye ihtiyaç duyduklarını belirtmişlerdir.</p><h4>Kaynakça</h4><p><a href="https://www.securityweek.com/mitre-unveils-attck-v18-with-updates-to-detections-mobile-ics">https://www.securityweek.com/mitre-unveils-attck-v18-with-updates-to-detections-mobile-ics</a></p><p><a href="https://d3security.com/blog/rip-defense-evasion-ta0005/">MITRE ATT&amp;CK is Deprecating a Tactic: 3 Takeaways from the &quot;Defense Evasion&quot; Break-up | D3 Security</a></p><p><a href="https://medium.com/mitre-attack/attack-v18-8f82d839ee9e">https://medium.com/mitre-attack/attack-v18-8f82d839ee9e</a></p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=b71042a4a136" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[Savunmanı Test Et, Boşlukları Gör!]]></title>
            <link>https://medium.com/@sergenyanmis/savunman%C4%B1-test-et-bo%C5%9Fluklar%C4%B1-g%C3%B6r-3354fd657d9c?source=rss-d170091eaf07------2</link>
            <guid isPermaLink="false">https://medium.com/p/3354fd657d9c</guid>
            <dc:creator><![CDATA[Sergen Yanmış]]></dc:creator>
            <pubDate>Sun, 29 Jun 2025 08:07:20 GMT</pubDate>
            <atom:updated>2025-06-29T08:07:20.998Z</atom:updated>
            <content:encoded><![CDATA[<figure><img alt="" src="https://cdn-images-1.medium.com/max/650/0*ccDjfyotZDZYPR7z.jpg" /></figure><p>Herkese selamlar. SIEM üzerindeki kuralların Mitre ile ne kadar uyumlu ve tetiklenen alarmların Mitre’nin yüzde kaçını kapsadığını ölçümleyebileceğimiz bir otomasyon geliştirdim. Bu otomasyonun nasıl çalıştığını ve neler yapabildiğini anlatmak isterim. Öncelikle bu ihtiyaç nasıl oluştu?</p><p><strong>İhtiyacı Anlamak</strong></p><p>Hepimizin neredeyse bildiği Mitre Att&amp;CK, gerçek dünyadaki saldırı tekniklerini sınıflandıran, kapsamlı ve evrensel bir tehdit modeli sunmaktadır. Kuralların hangi saldırı tekniklerini tespit etmeye çalıştığı net bir şekilde tanımlanır. Örnek olarak T1059 — Command and Scripting Interpreter Mitre’de maplenmiştir. Bu Framework, ekipler arasında ortak bir dil oluşturur.</p><p>Kuralları Mitre teknikleriyle eşleştirmek, hangi saldırı aşamalarına karşı ne kadar savunmanız olduğunu anlamanızı sağlar. Bir kural yazıldığında, kuralın hangi Mitre teknik ve taktiğine denk geldiğini işaretlerseniz eğer savunma boşluklarını da terim olarak gapleri de çok doğru bir şekilde gözlemlemiş oluruz.</p><p>Hiyerarşik olarak baktığımızda;</p><ul><li>Kural SIEM üzerinde yazıldı,</li><li>Mitre eşleştirmesi gerçekleştirildi</li><li>Peki bundan sonrası?</li></ul><p>Tam olarak ihtiyaç bu noktadan sonra oluşmaktadır. SIEM ürünleri üzerinde çok fazla kurallar olabilmektedir. Bu durum çok olası. Advanced use-case senaryolarından tutun, iç-dış denetim kurallarına varıncaya kadar neredeyse her şey için kural yazılabilmektedir. Belli bir noktadan sonrada hem kuralların takibi, işlevselliği ve kapsamı da karmaşıklaşabilmektedir.</p><p>Yöneticiniz; Mitre framework e göre SIEM de kapsam yüzdemiz ne kadar? diye sorduğu zaman bazen yanıt vermekte zorlanabiliriz. Bu durumlar için Atomic ile geliştirmiş olduğum otomasyonu kullanarak hem Mitre Coverage(kapsam) oranını, hem Atomic tool u ile birlikte tetiklenen kuralları, hem de <a href="https://mitre-attack.github.io/attack-navigator/">https://mitre-attack.github.io/attack-navigator/</a> linkinde yer alan navigator ile detaylı bir şekilde yapınızın durumunu görebileceksiniz.</p><p><strong>Atomic Tool’u nedir?</strong></p><p><strong>Atomic Red Team</strong>, siber güvenlik alanında kullanılan açık kaynaklı bir araçtır ve temel amacı, <strong>MITRE ATT&amp;CK</strong> çerçevesine dayalı saldırı simülasyonlarını kolayca test edebilmenizi sağlamaktır. İçerisinde 325 teknik bulunmaktadır ve bu düzenli olarak da güncellenmektedir.</p><p>Bu testler sayesinde;</p><ul><li>Savunma sistemlerinizin (SIEM, EDR, AV, XDR) tespit yeteneklerini sınayabilirsiniz.</li><li>Loglama altyapınızı test edebilir, görünürlük boşluklarını (visibility gaps) belirleyebilirsiniz.</li><li>Güvenlik kurallarınızın hangi saldırı tekniklerini kapsayıp kapsamadığını görebilirsiniz.</li></ul><p>Atomic RedTeam tool’unu <a href="https://github.com/redcanaryco/invoke-atomicredteam/wiki/Installing-Invoke-AtomicRedTeam">https://github.com/redcanaryco/invoke-atomicredteam/wiki/Installing-Invoke-AtomicRedTeam</a> linki üzerinden indirip çok kolay bir şekilde kurulumu gerçekleştirebilirsiniz. İnternete çıkmayan sunucular içinde offline kurulum seçeneği bulunmaktadır. Uyarı olarak, her bir atak çalıştırıldıktan sonra mutlaka -Cleanup komutu ile atakların izleri silinmelidir.</p><p><strong>Otomasyon Nasıl Çalışmaktadır?</strong></p><p>Geliştirdiğim otomasyon Qradar ile uyumlu çalışmaktadır. Tabi bunu, yapınızda bulunan SIEM ürünlerinin API ya da script yeteneğini kullanarak da kendinize uyarlayabilirsiniz. Sırasıyla;</p><ul><li>Öncelikle, belirlenen test sunucusunda Atomic atakları çalıştırılmalıdır. Normalde atomic atakları, tekniklerin bulunduğu dosya yolunu göstererek Invoke-AtomicTest komutu ile çalıştırılmaktadır.</li></ul><blockquote>Invoke-AtomicTest T1059.001</blockquote><p>Her bir tekniği bu şekilde tek tek oynatmak oldukça güç olacağı için, powershell ile script geliştirdim. Bu script ile atomic saldırılarının olduğu path içerisindeki tüm ataklar sırasıyla oynatılıp daha sonrasında her biri için -Cleanup çalıştırılacaktır. Bu şekilde scripti zamanlayıp istediğiniz zaman tüm atomic testlerini çalıştırabilir, alarmlarınızı izleyebilirsiniz. İlgili scripti <a href="https://github.com/sergenyanmis/Qradar-MitreCoverage">https://github.com/sergenyanmis/Qradar-MitreCoverage</a> linki içerisindeki “atomictestall.ps1” dosyasında inceleyebilirsiniz.</p><ul><li>SIEM üzerinde geliştirilen kural içerisinde Mitre Att&amp;ck eşleştirmelerini yapmanız gerekmektedir. Örnek olarak Qradar da description alanını kullanarak Mitre eşleştirmesi gerçekleştirdim.</li></ul><figure><img alt="" src="https://cdn-images-1.medium.com/max/765/1*1S054aGRe0pIZrpFY9V8Nw.png" /><figcaption>Qradar Offense Mitre Mapping</figcaption></figure><p>Offense içerisinde “event description” alanına kuralın hangi mitre taktiğine ve tekniğine eşleştiği bilgisini yukarıdaki gibi yazdım. Buraya yazmamın sebebi offense in API response u içerisinde event description alanında Mitre mappingi görebilmemdir. Qradar da Use-Case manager app i içerisinde de bu eşleştirme yapılmaktadır fakat oradan işlem gerçekleştirildiğin API response unda görünmemektedir. Bu otomasyon bağımsız SIEM ürünlerinde yazılan her kuralın mutlaka yukarıda da bahsettiğim nedenlerden dolayı Mitre Mapping i gerçekleştirilmelidir.</p><ul><li>Atomic simülasyon scripti tamamlandıktan sonra geliştirmiş olduğum mitrecoverage.py, tetiklenen alarmların event description alanındaki teknikler ile Atomic içerisinde yer alan 325 tekniği karşılaştırıp oranlamaktadır. Bu da bize Mitre Coverage oranını vermektedir. Script tamamlandıktan sonra mitre_report.pdf, mitre.csv ve mitre_coverage.json çıktılarını vermektedir. Pdf içerisinde, Qradar da tetiklenen alarm listesi, alarmların taktik bazlı dağılım oranları ve Mitre Coverage oranları sunmaktadır.</li></ul><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*TXFXHUh0w5CGvp07IgnmsQ.png" /><figcaption>Qradar Offense Tactic Distribution Example</figcaption></figure><figure><img alt="" src="https://cdn-images-1.medium.com/max/1013/1*zq7kATCLA-kcY7gUkVizHg.png" /><figcaption>Mitre Coverage</figcaption></figure><p>Json çıktısında ise, <a href="https://mitre-attack.github.io/attack-navigator/">https://mitre-attack.github.io/attack-navigator/</a> sayfasında kullanabileceğiniz görsel analiz ve haritalama sunmaktadır. Örnek bir görseli de aşağıya ekliyorum;</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*zcMXH72mVO607Gv4ITqdGw.png" /><figcaption>ATT&amp;CK Navigator</figcaption></figure><p>Mitre.csv dosyası içerisinde de atomic simülasyonları ile birlikte tetiklenen alarmların ayrıca listesi verilmektedir.</p><p><strong>Scriptte Düzenlenmesi Gereken Alanlar</strong></p><p>Geliştirmiş olduğum mitrecoverage.py içerisinde kendi yapınıza uygun olarak düzenlenmesi gereken alanlar bulunmaktadır.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/367/1*XdMDyvyxtTsd75_Dd6MWeQ.png" /><figcaption>AUTH TOKEN</figcaption></figure><p>Öncelikle yukarıdaki alan için hem Qradar host bilgisi hem de API token bilgisi doğru bir şekilde girilmelidir.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/657/1*1wPenIaLGeEB9_6xfztC9A.png" /><figcaption>AQL Query</figcaption></figure><p>API ile Qradar’a AQL query si gönderilmektedir. Bu query de yer alan logsourceId bilgileri custom rule engine bilgilerini temsil etmektedir. Burayı kendi logsourceId lerine göre düzenlemelisiniz. Ayrıca, sourceIp kısmında ise Atomic saldırılarının gerçekleştirildiği simülasyon hostunun ip bilgilerini vermelisiniz. Böylelikle, alarmların Atomic kaynaklı olup olmadığı bilgisi bu ip den anlaşılacaktır.</p><p>Bunun haricinde script için herhangi bir düzenlemeye ihtiyaç duyulmamaktadır. Hatta rapor içerisinde daha farklı istediğiniz alanlar varsa alt kısımlarda rapor bölümlerini düzenleyebilirsiniz.</p><p><strong>Özet ve Sonuç</strong></p><p>Otomasyonu özetleyecek olursam, Qradar üzerinde mitre mapping i yapılmış SIEM kurallarının hem testi hem de coverage ını ölçmek amacıyla atomicalltest.ps1 dosyası test sunucusunda çalıştırılır. Çalışan simülasyon boyunca Qradar üzerinde offenseler tetiklenir. Her tetiklenen offense in event description alanında Mitre mapping bilgileri yer almaktadır. mitrecoverage.py çalıştırılıp atomic ile tetiklenen 325 teknik ile qradar offenselerindeki description alanındaki teknikler birbirine oranlanır. Sonuç olarak bir pdf dosyası oluşturulur ve coverage oranı, tetiklenen alarmlar ve taktik bazlı kategorilendirme bu pdf içerisinde sunulur.</p><p>Script dosyalarına <a href="https://github.com/sergenyanmis/Qradar-MitreCoverage/blob/main/mitrecoverage.py">https://github.com/sergenyanmis/Qradar-MitreCoverage/blob/main/mitrecoverage.py</a> linkinden erişebilirsiniz. Yine herhangi bir sorunuz veya öneriniz olduğu durumlarda da linkedin üzerinden iletişime geçebiliriz!</p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=3354fd657d9c" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[Qradar’da Tetiklenmeyen Kuralların Tespit Edilmesi]]></title>
            <link>https://medium.com/@sergenyanmis/qradarda-tetiklenmeyen-kurallar%C4%B1n-tespit-edilmesi-0aeb31b3399e?source=rss-d170091eaf07------2</link>
            <guid isPermaLink="false">https://medium.com/p/0aeb31b3399e</guid>
            <category><![CDATA[offense]]></category>
            <category><![CDATA[nottriggeredoffense]]></category>
            <category><![CDATA[qradar]]></category>
            <dc:creator><![CDATA[Sergen Yanmış]]></dc:creator>
            <pubDate>Fri, 30 May 2025 15:22:38 GMT</pubDate>
            <atom:updated>2025-05-30T15:22:38.378Z</atom:updated>
            <content:encoded><![CDATA[<p>SIEM i aktif bir şekilde kullanıp, yöneten adminlerin en önemli odak noktalarından birisi kurallardır. Tetiklenen kurallar kadar, tetiklenmeyen kurallar ya da tetiklenmesi gerekenler de bir hayli önem taşımaktadır. Yalnızca kuralı yazıp bırakmak kesinlikle doğru bir yol değildir. Mutlaka kuralların yazımı öncesi ve sonrası için yaşam döngüsü olmak zorundadır. Diğer türlü SIEM ürünleriniz, tetiklenmeyen kural yığınları şeklinde günlük görevlerine devam edeceklerdir.</p><p>Aktif ve düzenli content geliştirici olarak, yazdığım kuralları takip edip, tetiklenmeyenlerin de nedenlerini bulup düzenli olarak kontrol etmem gerekmektedir. Aslında tam olarak bunun için bir otomasyon ihtiyacım oluştu. GPT ve Qradar’ın API leri sayesinde bir script geliştirip son 90 günde tetiklenmeyen kuralların tespitini gerçekleştirebilmekteyim.</p><p><strong>Bu script nasıl çalışıyor?</strong></p><ul><li>Script, Qradar’ın /api/analytics/rule endpointi sayesinde yapıda olan tüm kuralları bir listeye çekmektedir.</li><li>Daha sonrasında “api/siem/offenses/” endpoint i ile, son 90 günde tetiklenmiş offenseleri bir listeye yazmaktadır.</li><li>İki listedeki eşleşen veriler bizlere 90 günde tetiklenmiş kuralları vermektedir. Eşleşmeyen veriler aslında son 90 günde kuralların hiç tetiklenmediğini gösterir. Bu liste “inactive_rules.csv” dosyasına yazdırılır.</li></ul><p><strong>Dikkat Edilmesi Gereken Noktalar</strong></p><p>API call larda uzun süren istekler bir süre sonra timeout’a düşmektedir. Tetiklenen offenseleri endpoint üzerinden ararken “90 günden büyüktür” şeklinde sorgu kullanabiliriz. Fakat bu durumda sorgu sonucunda, yapınızda bulunan test alarmları, canlıda olmayan alarmlar, f/p üreyen tüm alarmları görebilirsiniz. Bu da sorgunun çok uzun sürmesine neden olmaktadır. Tabi yapıdan yapıya değişir ama kural yapınızda eğer kategoriler kullanıyorsanız filtrenize bu kategorileri ekleyebilirsiniz. Örneğin yapınızda canlıya çıktığınız kuralları “Triage” kategorisinde tuttuğunuz varsayalım. Bu durumda sorguyu <strong><em>“start_time&gt;90 day AND categories CONTAINS “Triage””</em></strong> şeklinde kullanmalısınız. Bu şekilde sorgu sonucu oldukça hızlanacaktır. Benim kullandığım script totalde 40 sn de sonuç vermektedir. Test alarmları, canlıda olmayan kuralların da tetiklenme durumlarını öğrenmek isterseniz eğer yalnızca start_time parametresini kullanabilirsiniz. Fakat bu sorgu oldukça uzun sürecektir.</p><p><strong>2 Farklı Script</strong></p><p>Oluşturduğum scripti 2 ye ayırdım. İlk script olan “interactive90days.py” de script çalıştıktan sonra kullanıcıdan “Qradar ip’si, API, Kaç günün kontrol edilmesi gerektiği(90 günden uzun süreleri de kontrol ettirebilirsiniz), script sonucunda dosyaların nereye kaydedilmesi gerektiğini istemektedir. Kullanıcıdan cevapları aldıktan sonra script çalışıp sonuçları 3 farklı dosyaya yazmaktadır; All_rules.csv, Triggered_rules.csv, Inactive_rules.csv. All rules içerisinde Qradar daki tüm kurallarınızı, triggered rules içerisinde verdiğiniz gün kadar ki süreçte tetiklenmiş kurallarınızı ve inactive rules içerisinde de 90 günde hiç tetiklenmemiş kurallarınızı görebilirsiniz.</p><p>Diğer scriptte ise (90days.py), düzenlemelerini yapıp direkt olarak cronjob a ekleyebileceğiniz script. Bu script içerisinde yalnızca “QRADAR_HOST” ve “API_TOKEN” alanlarını doldurup cronjob’a eklemeniz gerekmektedir.</p><p>Yukarıda da belirttiğim gibi ben canlıdaki kurallarımı belirli bir kategoride tuttuğum için sorguma o kategoriyi ekledim. Siz de kendinize göre interactive90days.py de 68.satır, 90days.py de 41. satırı düzenleyebilirsiniz.</p><p>offenses_url = f’{QRADAR_URL}/api/siem/offenses?filter=<strong><em>categories CONTAINS “Triage”</em></strong> AND start_time&gt;{start_time_epoch}’</p><p>Koyu olan alanı kendinize göre düzenleyebilir ya da sorgudan kaldırabilirsiniz. Kaldırıldığı zaman, tüm tetiklenen alarmları çekmeye çalışacağı için sorgu süresi oldukça uzayabilmektedir.</p><p><strong>Nasıl Otomasyona Çevirebiliriz?</strong></p><p>Yazılan scripti kullanıcıdan input alabildiğimiz versiyonu ile istediğiniz zaman çalıştırıp csv dosyasını alabilirsiniz. Ama otomasyona dökmek istediğinizi varsayalım. Şunlar yapılabilir;</p><ul><li>Yazılan bu scripti kendi yapınıza göre kurguladığınız zaman cronjob’a ekleyebilir ve ister 90 isterseniz 180 günde 1 tetiklenmesi için cron oluşturabilirsiniz.</li><li>Script triggerlandıktan sonra oluşan dosyayı isterseniz mail ile kendinize csv formatında gönderebilirsiniz</li><li>Bir başka fikir iste, 90 günde 1 script çalıştıktan sonra oluşan dosyayı rsyslog ile Qradar’a gönderip indexlemesini sağlayabilirsiniz. Daha sonrasında bu verileri rapor haline getirip, Qradar üzerinden size mail ya da alarm olarak gelmesini sağlayabilirsiniz.</li></ul><p>Yazılan scriptlere github adresim üzerinden erişebilirsiniz;</p><p><a href="https://github.com/sergenyanmis/Qradar">GitHub - sergenyanmis/Qradar: Qradar ile ilgili geliştirmeler</a></p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=0aeb31b3399e" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[Komut Satırı Kaçışlarını Tespit ve Analiz Etme]]></title>
            <link>https://medium.com/@sergenyanmis/komut-sat%C4%B1r%C4%B1-ka%C3%A7%C4%B1%C5%9Flar%C4%B1n%C4%B1-tespit-ve-analiz-etme-f822ac025bd3?source=rss-d170091eaf07------2</link>
            <guid isPermaLink="false">https://medium.com/p/f822ac025bd3</guid>
            <category><![CDATA[command-line]]></category>
            <category><![CDATA[cmd-fragmantion]]></category>
            <category><![CDATA[detection]]></category>
            <dc:creator><![CDATA[Sergen Yanmış]]></dc:creator>
            <pubDate>Mon, 26 May 2025 06:20:24 GMT</pubDate>
            <atom:updated>2025-05-26T06:23:36.233Z</atom:updated>
            <content:encoded><![CDATA[<figure><img alt="" src="https://cdn-images-1.medium.com/max/253/1*YgYnb9EdhGbiFUiJwib-iA.jpeg" /></figure><p>Herkese selamlar. Bu yazımda, tehditleri tespit etmeyi zorlaştıran bir yöntemden bahsetmek isterim. Konuşacağımız bu yöntemle aslında hem adli analiz hem de tehdit tespiti oldukça zorlaşmaktadır. Komut satırı ihmali ve fragmentation.</p><p>Özel karakterlerin ve yerleşik komutların günlük kaydını nasıl etkilediğini anlamak, tehdit algılama ve saldırı analizi için önemlidir. Bu yazıda, komut satırı parçalanmasıyla ilgili sorunları ve bunun soruşturmalarda kritik verilerin kaybına nasıl yol açabileceğini ele alacağım.</p><p>Saldırganlar, ele geçirdikleri sistemlerde bir şekilde komut çalıştırıp yetki yükseltmek veya bir şeyleri elde etmeye çalışmaktadırlar. Çalıştırılan bu komutları izleyip, tespit edebileceğimiz en önemli noktalardan birisi sistemde bulunan iz kayıtları, loglardır. Saldırganlar, ataklarda kullandıkları komutların tespit edilmemesi için bazı fragmentation yani komut bölünmesi yöntemini kullanmaktadırlar. Birazdan örneklerle de açıklayacağım bu yöntem ile, SIEM ya da EDR larda kullanılan kurallar yazılan conditionlarla eşleşmeyip tehditin tespit edilmesini engellemektedir.</p><p><strong>Özel Karakterler ve Yerleşik Komutlar Loglamayı Nasıl Etkiler?</strong></p><p>CMD aracılığıyla yürütülen komutlarda belirli özel karakterler kullanıldığında, komut satırının işlem yürütme günlüklerinde parçalanmalara (fragmentation) neden olabilir. Bu parçalanma, Event Viewer üzerine kaydedilen logların farklı kaydedilmesini sağlar.</p><p><strong>| (pipe) ile yazılan komutlar: </strong>Pipe ile yazılan komutlar loglarda ayrı ayrı görünür.</p><p><strong>&amp;&amp; veya &amp; içeren komutlar:</strong> İkili komutlarla birlikte yürütüldüğünde event viewer da hiç görünmeyebilir.</p><p>Somut örneklerle değerlendirelim.</p><p><strong>Örnekler:</strong></p><p><strong>echo “test” | whoami</strong></p><p>Yukarıdaki komutu cmd satırında çalıştırdığımız zaman normal şartlarda eğer ki auditing açıksa 4688 veya Sysmon aktifse 1 event id (process creation) içerisinde, komut satırında yazılan ne ise tamamını loglarda görmeyi bekleriz. Fakat “| (pipe)” komutu ile birlikte kullanıldığında event viewerdaki çıktısı aşağıdaki şekilde olmaktadır.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/574/1*TdRWmIjVbuHcZM8_02fqnQ.png" /><figcaption>| (pipe) komutundan önceki görünüm.</figcaption></figure><p>Komutu çalıştırdıktan sonra 2 farklı log çıktısı elde etmekteyiz. Birinci çıktı yukarıdaki görsel. Pipe ifadesi burada aslında tek satırda komut yazılmasına rağmen 2 yürütülebilir komut gibi bölmüş olduğunu görmekteyiz.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/481/1*NZcaH0I2DKvaPUwQysb0Ag.png" /><figcaption>| (pipe) komutundan sonraki görünüm.</figcaption></figure><p>2. görselde de görüldüğü gibi “whoami” ayrı çalıştırılan komut gibi loglanmıştır.</p><p>Saldırganlar, ataklarında sıklıkla yerleşik komutlar kullanmaktadır. En sık kullanılanlardan bazıları şunlardır;</p><p>cd, cls, copy, del, dir, echo, md, mkdir, rm…</p><p>Yerleşik komutlar, iki komutla birlikte çalıştırıldığında loglanmama gibi durumlar ortaya çıkabilmektedir. Örnekle destekleyecek olursak;</p><p><strong><em>echo “test” &amp;&amp; whoami</em></strong></p><p>Komut satırına yukarıdaki komutu yazdığımızda event viewer da bu işleme dair görüntüleyebileceğimiz tek şey “whoami” log kaydı olacaktır. Loglarda yerleşik komutların bulunmaması eksik analize, tespitin körelmesine ve faaliyetlerin eksik anlaşılmasına neden olacaktır.</p><p><strong>Detection Kuralı Özelinde Örnek Gösterme</strong></p><p>SIEM üzerinde, çalışan işlemleri listelemek için kullanılan findstr komutu ile “lsass” process inin listelenmeye çalışılma senaryosu üzerinde alarmımızın olduğunu varsayalım. Saldırganlar genellikle lsass process inin, id sini bulmak için bu komutu çalıştırırlar. Process idyi de, dump için başka işlemlerde kullanabilirler. Bu senaryonun tespiti için örnek Sigma kuralı şu şekildedir;</p><p><em>title: LSASS Process Reconnaissance Via Tasklist &amp; Findstr.EXE<br>description: Detects the execution of tasklist command piping the results to the findstring command that include the keyword lsass.<br>author: Example<br>tags:<br> — attack.credential-access<br> — attack.t1552.006<br>logsource:<br> category: process_creation<br> product: windows<br>detection:<br> selection_cmd:<br> Image|endswith:<br> — ‘\cmd.exe’<br> selection_findstr:<br> </em><strong><em>CommandLine|contains|all:<br> — ‘tasklist’<br> — ‘findstr’<br> — ‘lsass’</em></strong><em><br> condition: selection_cmd and selection_findstr<br>falsepositives:<br> — Unknown<br>level: high</em></p><p>Kural önerisine baktığımız zaman tespit noktasında, commandline da “tasklist + findstr + lsass” kelimelerinin geçmesi gerekmektedir. Sigmadan yararlanıp kuralı SIEM de yazacağımız zaman commandline içerisinde bu 3 kelimeyi de “and” operatörünü kullanarak aramamız gerekmektedir. 3 kelimeden herhangi biri olmadığı durumlarda kuralımız çalışmayacaktır. Peki yine de SIEM üzerinde böyle bir kuralımız olduğunu varsayalım.</p><p><em>tasklist | findstr “lsass”</em></p><p>Yukarıdaki komut çalıştırıldığında, yazdığınız kural tetiklenecek midir?</p><p><strong>Beklenen Davranış</strong></p><figure><img alt="" src="https://cdn-images-1.medium.com/max/726/1*UHjlST1FqlW8j4KaNYT1QQ.png" /></figure><figure><img alt="" src="https://cdn-images-1.medium.com/max/457/1*HdQUoniVOEr4X6NsNZX5NQ.png" /></figure><figure><img alt="" src="https://cdn-images-1.medium.com/max/420/1*Yt0J4y8k_u4JjbVLHChLOQ.png" /></figure><p>Komutu çalıştırdığımızda event viewer içerisinde sırasıyla listelenen 4688 (process creation) loglarını göreceksiniz. Fakat, komut içerisinde “|” kullanıldığı için görüldüğü gibi komut 2 ayrı log oluşturmuştur. Ne kadar küçük görünsede tehdit tespiti açısından bir kaçak durumu bulunmaktadır. Saldırgan, bu şekilde SIEM alarmlarını atlatıp, içerde yanal hareketlerini belkide devam ettirecektir. 2 ayrı log oluşturmasından dolayı da SIEM de yazılan kural tetiklenmeyecektir. Bu arada sadece SIEMler değil bu durumdan sadece Event Viewerlara da güvenen EDR larda etkilenecektir.</p><p><strong>Peki Ne Yapılmalı?</strong></p><p>Özel karakterler ve yerleşik komutların kullanımı nedeniyle oluşan komut satırı parçalanması, Windows işlem yürütme günlüklerinde önemli boşluklara yol açabilir. Bu, kötü amaçlı etkinlikleri tespit etme ve analiz etmede bir zorluk oluşturur.</p><p><strong>Sınırlamaların Farkında Olmalıyız: </strong>Yalnızca SIEM de yazılan kurallar, oluşan alarmlar tehdit tespiti ve analizi için yeterli değildir. Yukarıdaki örneklerden de görüleceği gibi, saldırgan tarafından yürütülen tüm komutlar event viewer da görünmeyecektir. Yapıda güvenlik katmanları oluşturulmalı tek bir güvenlik ürününe iş bırakılmamalıdır.</p><p><strong>Logları İlişkilendirin: </strong>Normal şartlarda, 4688 ya da Sysmon EI 1 ile çalıştırılan komutu tek bir parça halinde yakalayabilmemiz gerekmektedir. Fakat burada yerleşik komutlar ya da | operatörü ile loglamada boşluklar oluşturulmaktadır. Bu durumda tespit için regex ifadeleri ya da logları korele etmek ile bu durum atlatılabilir. Örneğin tasklist komutundan sonra 5 dk içerisinde lsass ifadesi komutlarda yakalanırsa beni uyar gibi…</p><p><strong>Tespit Noktanızı Değiştirin: </strong>Her senaryo için olmasa da, tespit noktaları değiştirilebilir. Tespit noktalarından söylemek istediğim şu aslında. Odak noktasını atağın sonucuna odaklayabilirsiniz. Çalıştırılan her tool, yazılan her bir komutun incelenmesi yapılmalı ve sonucunda nereye dokunduğu tespit edilmelidir. Örneğin ben bir tool ile rdp portunu değiştirebilirim. Yazacağım bir kural ile de bu tool u tespit edebilirim fakat o tool un ismi değiştiğinde işler biraz karmaşıklaşacaktır. Bunun yerine tool un çalıştırılması sonucunda sistemde hangi değişiklikler gerçekleştiriliyor buna odaklanılması gerekmektedir. <a href="https://medium.com/detect-fyi/immutable-artifacts-enabling-rdp-connections-6a3866b05004">https://medium.com/detect-fyi/immutable-artifacts-enabling-rdp-connections-6a3866b05004</a> <a href="https://medium.com/u/5036c3f97701">Koifsec</a> buradaki makalesinde aslında harika bir şekilde özetlemektedir. Kullanılan tool yerine o tool un neler yaptığını anlayıp, tespit kuralımızı buna göre düzenlersek aslında burada tool’a ya da çalıştırılan komuta bağımlılığımız azalacaktır. Hatta kurumların en büyük hedeflerinden olan, alarmlardaki false/positive durumları da buna göre oldukça azalacaktır diye düşünmekteyim.</p><p>Bu yazımda aslında son zamanlarda karşılaştığım, okuduğum ve tespit noktasında bizi ileri götürecek durumu anlatmak istedim. Bir sonraki yazımda görüşmek üzere.</p><p><strong>Kaynaklar</strong></p><p><a href="https://detect.fyi/unintentional-evasion-investigating-how-cmd-fragmentation-hampers-detection-response-e5d7b465758e">Unintentional Evasion: Investigating How CMD Fragmentation Hampers Detection &amp; Response</a></p><p><a href="https://medium.com/detect-fyi/immutable-artifacts-enabling-rdp-connections-6a3866b05004">https://medium.com/detect-fyi/immutable-artifacts-enabling-rdp-connections-6a3866b05004</a></p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=f822ac025bd3" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[CTI Merkezileştirme; OpenCTI]]></title>
            <link>https://medium.com/@sergenyanmis/cti-merkezile%C5%9Ftirme-opencti-b01310c4112c?source=rss-d170091eaf07------2</link>
            <guid isPermaLink="false">https://medium.com/p/b01310c4112c</guid>
            <dc:creator><![CDATA[Sergen Yanmış]]></dc:creator>
            <pubDate>Mon, 03 Feb 2025 13:11:56 GMT</pubDate>
            <atom:updated>2025-02-03T13:11:56.435Z</atom:updated>
            <content:encoded><![CDATA[<figure><img alt="" src="https://cdn-images-1.medium.com/max/1006/0*Q5PQ83dnzck9SRw3.jpg" /></figure><p>OpenCTI a giriş yapmadan önce CTI kavramından bahsetmek isterim. CTI, siber tehdit istihbaratı anlamına gelir. Bu kavram, siber güvenlik tehditlerine karşı proaktif bir savunma sağlamak amacıyla toplanan, analiz edilen ve kullanılan bilgileri ifade eder. CTI, kurumların siber saldırıları önceden tespit etmesine, anlamasına ve bunlara karşı etkili bir şekilde mücadele etmesine yardımcı olur.</p><p><strong>CTI’nin Temel Bileşenleri</strong></p><ol><li><strong>Tehdit Verileri:</strong></li></ol><p>Ip adresleri, domainler, dosya hashleri, URL’ler gibi teknik göstergeler.</p><p>Saldırganların kullandığı yöntemler, teknikler ve prosedürler (TTPler)</p><p><strong>2. Analiz ve Bağlam:</strong></p><p>Ham verilerin analiz edilerek anlamlı bilgilere dönüştürülmesi.</p><p>Tehditlerin kimlikleri, motivasyonları ve hedefleri hakkında bilgi sağlanması.</p><p><strong>3. Paylaşım ve İş Birliği:</strong></p><p>STIX/TAXII gibi standart formatlarla tehdit bilgilerinin paylaşılması.</p><p>Kurumlararası işbirliği ile ortak tehditlere karşı mücadele.</p><p>CTI aslında yukarıdaki bilgilerle özetlemiş oldum. CTI, modern siber güvenlik stratejilerinin önemli bir parçasıdır ve kurumların siber tehditlere karşı daha hazırlıklı olmasını sağlar.</p><p><strong>OpenCTI nedir? Ne Amaçla Kullanılır?</strong></p><p>OpenCTI (Open Cyber Threat Intelligence), siber tehdit istihbaratını toplamak, analiz etmek, depolamak ve paylaşmak için kullanılan açık kaynaklı bir platformdur. SOC ekipleri tarafından tehdit verilerini yönetmek ve bu verileri operasyonel süreçlere entegre etmek amacıyla kullanılır.</p><p>CTI’ın temel bileşenlerinden farklı olarak amaçlarından birisi de operasyonel entegrasyondur. SIEM, SOAR gibi merkezi ve en kritik güvenlik araçlarıyla entegre çalışabilir. OpenCTI ile tüm toplanılan istihbarat verilerini tek bir yerde toplayabilir otomatik olarak da operasyonel süreçlere dahil edebilirsiniz.</p><p>OpenCTI’ın sunduğu ve benim oldukça beğendiğim bir diğer özellik ise raporlama ve görselleştirmesi. Tehdit verilerini grafikler ve raporlar halinde familyasına kadar sunmaktadır. Bu da analizi oldukça kolaylaştırmaktadır.</p><p>OpenCTI, açık kaynaklı ve esnek olması nedeni ile kurumların ihtiyaçlarına göre özelleştirilebilmesini sağlar. Örneğin, kurumda CrowdStrike, IPS gibi TI toplayabileceğiniz kaynaklarınız bulunuyor. Bu kaynakları merkezi bir yere toplayıp farklı ücretsiz olan threat intel kaynaklarını da ekleyip büyük kendinize büyük bir veritabanı yaratabilirsiniz. Bu veritabanını da tek bir yerden analiz edip, raporlayıp, görselleştirebilir, APT grupları hakkında da raporlar sayesinde ekstra bilgiler elde edebilmektesiniz.</p><p><strong>OpenCTI Nasıl Kurulur?</strong></p><p>OpenCTI açık kaynak kodlu bir araç. Aracı kurmak için minimum sunucu gereksinimleri aşağıda şekildedir.</p><p>CPU: Minimum 4 Core, Önerilen 8 Core (Daha büyük veri setleri için)</p><p>RAM: Minimum 8 GB, Önerilen 16.</p><p>Disk: Minimum 50 GB boş disk alanı, Önerilen 200 GB ve SSD disk önerilir.</p><p>İşletim Sistemi: Linux, Ubuntu 20.04 LTS veya daha yeni sürümler. CentOS, Debian gibi diğer Linux dağıtımları da kullanılabilir.</p><p>OpenCTI, Docker ve Docker Compose kullanılarak dağıtıldığından bu araçların kurulu olması gerekmektedir. Docker 19.03 veya daha yeni sürüm. Docker Compose 1.25.0 veya daha yeni sürüm.</p><p>Aslında bizim lokalde kuracağımız bir uygulama olacağı için küçük ölçekli kurulumu tercih edebiliriz. 4 Çekirdekli CPU, 8GB RAM, 50 GB SSD yeterli olacaktır.</p><p><strong>Docker Kurulumu</strong></p><p>OpenCTI kurulumu için Ubuntu dağıtımını tercih ettim. Sunucu kurulumunun ardından ilk yapmamız gereken şey <a href="https://docs.docker.com/engine/install/ubuntu/#install-using-the-repository">https://docs.docker.com/engine/install/ubuntu/#install-using-the-repository</a> linki üzerinden ilk 3 adımı izleyerek bir docker kurulumu yapmak. OpenCTI docker ile birlikte çalışmaktadır. Docker ve OpenCTI servislerini yönetebilmek için web arayüzlü servis olan Portainer.io da kurabilirsiniz fakat bu kurulumda ona değinmeyeceğim. Docker ı kurduktan sonra github üzerinden repoyu klonlayıp kuruluma devam edebiliriz.</p><p><strong>OpenCTI Servis Kurulumu</strong></p><p>Docker ı kurduğum alana github üzerinden repoyu çekebiliriz.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/797/1*dZtzcQOdndBPUnclqjkxGw.png" /><figcaption>Github Download</figcaption></figure><p>“https://github.com/OpenCTI-Platform/docker” adresi üzerinden opencti yı çekebilirsiniz. Bu link içerisinde kullanacağımız yml dosyası ve düzenlememiz gereken .env uzantılı dosya bulunmaktadır. Bu dosya OpenCTI ın çalışması için gerekli olan ortam değişkenlerini içeren yapılandırma dosyasıdır.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*oWzZHWm9DOAunTT9N-oAbw.png" /><figcaption>.env dosyası</figcaption></figure><p>Bu dosya içerisinde veritabanı bağlantısı (elastisearch), API Key, OpenCTI sunucusunun çalışacağı port, IP adresi gibi bilgiler yer almaktadır. Düzenlenmesi gereken yerleri yukarıda işaretledim.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/625/1*65L7kCmUYCUR-60R3kwY-g.png" /><figcaption>.env</figcaption></figure><p>Son olarak .env olarak dosya ismini değiştirdikten sonra docker-compose.yml dosyasını değiştirmeden kuruluma başlayabiliriz. Bu yml dosyası içerisinde elasticsearch, queue yönetimi için kullanılan rabbitmq, cache ve job management için kullanılan redis, dosya depolama minIO ve düzenleme yapıp ekstra araçlarla entegre olmasına olanak sağlayan connector bilgileri yer almaktadır. Her bir connector ayrı bir servis olarak tanımlanır. İlk aşamada bu dosyayı default olarak bırakabiliriz.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*XIOPuTenMWe-bg1sdPPuHg.png" /><figcaption>OpenCTI Installation</figcaption></figure><p>yml dosyası içerisindeki bilgileri pull etmek için “docker compose up -d” komutunu kullanabiliriz. Bu şekilde yml dosyası içerisindeki tüm servislerin kurulumu sağlanacak ve servisler ayağa kalkacaktır.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*Upywf_5GRNQZXokCXHZZvQ.png" /><figcaption>docker ps</figcaption></figure><p>Servislerin durumunu dockerlarda kontrol etmek için “docker ps” komutunu kullanabiliriz. Tüm servislerin burada up ve healthy durumda olduğunu görebiliriz. Portainer.io ile birlikte kurulumunu sağlasaydık eğer direkt arayüz üzerinden servislerin durumunu, loglarını izleyebilir ve müdahale edebiliriz.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*_IUgrzrCpQ7HbgewU7eWlg.png" /><figcaption>OpenCTI WebUI</figcaption></figure><p>Servisler ayağa kalktıktan sonra localhost üzerinden 8080 portundan arayüz erişebilir duruma gelmektedir. .env dosyası içerisinde belirttiğimiz user ve password bilgilerini girerek login olabiliriz.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*GICSo3YysFSiwqBMVRhjNA.png" /><figcaption>OpenCTI WebUI</figcaption></figure><p>Görüldüğü gibi herhangi bir entegrasyonumuz olmadığı için dashboardda hiçbir bilgi bulunmamaktadır. Yeni bir connector, kaynak ekleyebilmek için sol taraftaki ingestion seçeneğiyle ilerleyebiliriz.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*RNpFsg3XMxNrEw4VbvJUIA.png" /><figcaption><a href="https://github.com/OpenCTI-Platform/connectors">https://github.com/OpenCTI-Platform/connectors</a></figcaption></figure><p>OpenCTI github reposu içerisinde tüm entegrasyonların bulunduğu kaynak bulunmaktadır. Sol tarafta oldukça fazla entegrasyon yapabileceğimiz ürünler bulunmaktadır. Ben bu makalede ücretsiz olan AlienVault OTX Threat Intellerini çekmeyi deneyeceğim. Repoda sol tarafta AlienVault u bulup “docker-compose.yml” dosyasını düzenleyip opencti içerisinde yer alan docker-compose.yml a ekleyebiliriz. Bu şekilde yeni connector ü ekleyip, servisi ayağa kaldırabiliriz.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*biL7VfUc9yVV4E8OIJsO4Q.png" /><figcaption>AlienVault Example</figcaption></figure><p>AlienVault yml dosyasını indirdikten sonra lokalde düzenleyip “docker-compose.yml” dosyası içerisine ekledim. Burada dikkat etmemiz gereken noktalar, Connector_ID, AlienVaulttan alacağımız API Key bilgileri önemlidir. Ayrıca dosya içerisinde syntaxta önemlidir. Herhangi bir yazım yanlışında servis ayağa kalkmamaktadır. Connector_ID değeri UUIDv4 generator ile üretebilip ekleyeceğiz bilgidir. <a href="https://www.uuidgenerator.net/version4">https://www.uuidgenerator.net/version4</a> linki üzerinden uuid üretebilirsiniz. İşaretlemiş olduğum Interval_Sec satırı sorgu süresini ifade etmektedir. Yeni connectorümüzü mevcut yml dosyasına ekledikten sonra dosyayı kaydedip kapatabiliriz.</p><p>Değişikliklerin algılanması için yazmamız gereken tek komut; “docker compose up -d”. Bu komutla birlikte yeni servisi pull edip ayağa kaldıracaktır.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*qEwoKxGbsLmILwfYEhKf3w.png" /><figcaption>AlienVault Ingestion</figcaption></figure><p>Görüldüğü gibi connector ü ekledikten bir süre sonra TI verileri yavaş yavaş grafikleri doldurmaktadır.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*OQm-wdL6JGjMdzqkK9UGxw.png" /><figcaption>AlienVault Grafik</figcaption></figure><p>Anasayfa üzerinde yer alan dashboardda ise çok detaylı bir şekilde verileri kategorize edip, analiz etmenize olanak sağlayan bir arayüz bulunmaktadır. Herhangi bir TI a tıkladığınız zaman ise detaylı olarak bunun raporunu size göstermektedir. Bu verileri kullanarak SIEM deki kurallarınızı zenginleştirebilir, SOAR da otomasyonlar yapabilirsiniz.</p><p>Bu makalemde OpenCTI ın ne olduğundan ve kurulum yapıp connector ekleme adımlarından bahsetmeye çalıştım. Bir sonraki makalede ise detaylı olarak sekmelerden bahsetmeye çalışacağım.</p><p><strong>Kaynaklar</strong></p><ul><li><a href="https://github.com/OpenCTI-Platform/docker?source=post_page-----8a9c159e5b28--------------------------------">GitHub - OpenCTI-Platform/docker: OpenCTI Docker deployment helpers</a></li><li><a href="https://github.com/OpenCTI-Platform/connectors">GitHub - OpenCTI-Platform/connectors: OpenCTI Connectors</a></li><li><a href="https://blog.agood.cloud/posts/2020/04/22/opencti-installation/#:~:text=The%20installation%20of%20Portainer%20is%20a%20matter%20of,%26%26%20cd%20%2Fopt%2Fportainer%20curl%20-L%20https%3A%2F%2Fdownloads.portainer.io%2Fportainer-agent-stack.yml%20-o%20portainer-agent-stack.yml">OpenCTI Installation</a></li></ul><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=b01310c4112c" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[EDR Çalışma Mantığı ve Bypass Metodları]]></title>
            <link>https://medium.com/@sergenyanmis/edr-%C3%A7al%C4%B1%C5%9Fma-mant%C4%B1%C4%9F%C4%B1-ve-bypass-metodlar%C4%B1-ebc73f1d3c61?source=rss-d170091eaf07------2</link>
            <guid isPermaLink="false">https://medium.com/p/ebc73f1d3c61</guid>
            <dc:creator><![CDATA[Sergen Yanmış]]></dc:creator>
            <pubDate>Mon, 04 Nov 2024 20:58:19 GMT</pubDate>
            <atom:updated>2024-11-04T20:58:19.770Z</atom:updated>
            <content:encoded><![CDATA[<p>Herkese merhaba. Bu yazıda, saldırganların EDR (Endpoint Detection And Response) sistemlerini nasıl devre dışı bırakabileceğini ve EDR ın çalışma mantığını anlatmaya çalışacağım. İmzalı bir rootkit’in “PsSetCreateProcessNotifyRoutine” fonksiyonunu kullanarak EDR süreçlerini nasıl etkisiz hale getirdiğine değineceğim.</p><p>Güvenlik mekanizmaları, özellikle kernel seviyesinde, gelişmiş tehditlere karşı koruma sağlamak için tasarlanmıştır. EDR’larda, uç noktalarda tespit ve müdahale, ana bilgisayar ve uç nokta bağlantılarındaki şüpheli etkinlikleri tespit etmek ve bunlara müdahale etmek için gerçek zamanlı, sürekli izleme, uç nokta veri toplama ve gelişmiş korelasyon özelliklerini birleştirir. Bu yaklaşım, güvenlik ekiplerinin hem manuel hem de otomatik müdahale seçenekleriyle yüksek güvenilirliğe sahip algılamalar üretmek için etkinlikleri hızla belirlemesine ve ilişkilendirmesine olanak tanır. Fakat biliyorsunuz ki saldırganlar sürekli olarak bu savunmaları aşmak için yeni yöntemler geliştirirler. Aslında her zaman saldırganlar bu işi 1–0 önde götürmektedirler. Peki EDR, zararlıları veya bu süreçleri nasıl tespit ediyor?</p><h4>EDR Processleri Nasıl Tespit Ediyor?</h4><figure><img alt="" src="https://cdn-images-1.medium.com/max/740/0*xfKnFkT_UnToGzVV.png" /><figcaption>EDR Monitoring and Detecting Process Creation</figcaption></figure><p>Bir örnek üzerinden gidelim. “<strong>malware.exe</strong>” oluşturulduğunda, “CreateProcessA/W” ve “NtCreateProcess” işlevleri çalıştırılır. Bu işlevler, Windows çekirdeğine bir syscall (sistem çağrısı) tetikler. Çekirdek, nt!PspCallProcessNotifyRoutines dizisindeki işlem oluşturma, <strong>bildirim rutinlerini</strong> çağırır. Bu dizi, çeşitli sürücüler tarafından kaydedilen callback işlevlerinin adreslerini tutar. Yuıkarıda örnek gösterilen işlemde, malware.exe oluştuktan sonra çağrılan syscalların dizisini görmektesiniz. EDR bu şekilde işlevlerin adreslerini tutar.</p><p>Process Callback dizininde kırmızı ile vurgulanan “WdFilter.sys” ve “mssecflt.sys” gibi girdiler, Windows Defender, Microsoft Defender for Endpoint (MDE) gibi EDR sistemlerinin bir parçası olan sürücüleri temsil eder. Bu EDR’ a özel sürücüler, süreç oluşturma olaylarını izlemek ve yanıt vermek için callback fonksiyonlarını kaydeder. Bir process meydana geldiğinde, bu callbackler tetiklenir ve EDR sistemi süreç hakkında detaylı incelemeler yapar. Bu inceleme içerisinde, komut satırı parametreleri, yürütülebilir dosya, bellek kullanımı gibi bilgileri içerir. Ayrıca, EDR sistemi, API’leri izleme ve süreci kontrol etme kabiliyetini arttırmak için sürecin belleğine bir DLL de enjekte edebilir.</p><p>EDR sistemleri, bu callbacklerden yararlanarak olası tehditleri gerçek zamanlı olarak tespit edebilir ve yanıt verebilir. <strong>Callback rutinlerinin bütünlüğünün sağlanması</strong>, EDR ları korumak ve saldırganların bu güvenlik ürünlerini bypass edebilmesini önlemek için oldukça önemlidir.</p><h4>PspCreateProcessNotifyRoutine Dizisi</h4><p>EDR ve Sysmon, bir process veya payload oluşturulduğunda, bilgilendirilmek için callback rutinlerini “PspCreateProcessNotifyRoutine” dizilerine kaydeder. Callbackler sayesinde, güvenlik ürünleri zararlı yazılımların tespit edilmesine yönelik ek bilgiler sağlanır. Callbacklerin yamalanması ya da devre dışı bırakılması, EDR, AntiVirüsler ve Sistem Monitor ünün (Sysmon) zararlı yazılımların izleri hakkında kritik bilgileri almasını engelleyebilir.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/740/0*Iddo8D6t2lX07QmJ.png" /><figcaption>PspCrerateProcessNotifyRoutine Array</figcaption></figure><p>Yukarıda “WinDbg” hata ayıklayıcı kullanılarak, PspCreateProcessNotifyRoutine adlı özel bir callback incelemesi bulunmaktadır. Bu dizi, çeşitli sürücüler tarafından kaydedilen tüm processlerin callback işlemlerini depolar. Güvenlik yazılımları ve EDR sistemleri, PsSetCreateProcessNotifyRoutine, PsSetCreateProcessNotifyRoutineEx ve PsSetCreateProcessNotifyRoutineEx2 gibi işlevleri kullanarak bu dizide process callbackleri kaydeder. Bu şekilde olayların etkin bir şekilde izlenmesi sağlanmaktadır.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/650/0*7u5yXoM6jgyydn0B.png" /><figcaption>Windows Defender’s process creation callback routine’s address</figcaption></figure><p>Bu da Windows Defender’ın, windbg ile ayıklanmış process callback çıktısı. Sarı ile vurgulanan kısmın işlevi, processlerin oluşumunu izleyerek ve ilgili bilgileri kaydederek zararlıların tespiti ve önlenmesini sağlamaktır.</p><p>EDR’lar aslında tam da bu noktada bypass edilmektedir. Eğer yukarıdaki giriş bir şekilde process callback içerisinden yamalanabilir veya kaldırılabilirse detection mekanizması etkili bir şekilde devre dışı bırakılmış olacaktır. Bu da EDR veya Antivirüs yazılımlarının yeni processlerin oluşturulduğuna dair bildirim almasını engelleyip, sistemi zararlılara karşı savunmasız hale getirecektir.</p><h4>Rootkit ile ProcessCallBack Arasına Girme</h4><p>Yazının önceki kısımlarında, EDR sistemlerinin olayları izleyebilmek, analiz edebilmek için callback işlevlerini kaydettiğini belirtmiştik. Bu işlevler, çekirdek düzeyinde yer alan PspCreateProcessNotifyRoutine adlı bir diziye eklenir. Bu dizideki her bir callback, yeni bir process oluşturulduğunda tetiklenir ve EDR sistemlerine süreç hakkında detaylı bilgi sağlar.</p><p>Örneğin WdFilter.sys (Windows Defender) ve mssecflt.sys (Microsoft Defender for Endpoint) gibi sürücüler, sistemin EDR altyapısının bir parçası olarak bu dizide yer alır. Bu sürücüler, yeni processlerin nasıl davrandığını analiz etmek, potansiyel tehditleri tespit etmek ve gerektiğinde müdahale etmek amacıyla bu geri çağırmaları kullanır.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/0*TxYBqJ6aLMRKSEx5.png" /></figure><p>Elimizde olan prevent.sys rootkitini yüklemeden önce sisteme Process Hacker ile baktığımız zaman, defender kelimesini arattığımızda MsSense.exe ve diğer ilgili EDR süreçlerinin aktif olarak çalıştığını görebiliyoruz. Sol taraftaki diziye baktığımız zamanda, defender processine ait callbackleri görebiliyoruz. Prevent.sys nin yüklendikten sonraki process hacker çıktısını da inceleyelim.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/0*MEpY6-ubzUGuIzX3.png" /></figure><p>prevent.sys rootkiti yüklendikten sonra, tekrar defender kelimesi aratıldığında durumun değiştiğini görebilmekteyiz. “prevent.sys” çekirdekteki PspCreateProcessNotifyRoutine dizisine kendi callback işlevi olan “blockEDR” ı ekler. blockEDR işlevi, bu processlerin başlatılmasını engelleyerek sistemin güvenlik altyapısının önemli bileşenlerini devre dışı bırakır.</p><p>PspCreateProcessNotifyRoutine gibi çekirdek seviyesindeki yapıların güvenliğinin sağlanması, sistem savunmalarının etkin bir şekilde korunması için hayati öneme sahiptir. Bu türk saldırılar, kritik EDR süreçlerinin başlatılmasını engelleyebilir. Bu da sistemin gerçek zamanlı tespit ve müdahale yeteneklerini tamamen devre dışı bırakır.</p><h4>Neler Yapabiliriz?</h4><p>Bu tür sofistike tehditlere karşı savunma yapmak için;</p><ul><li>Sıkı kod imzalama politikaları,</li><li>Sürekli izleme ve tetikte olma,</li><li>SIEM senaryolarının EDR’ın olmadığı durumlara yönelikte geliştirilmesi,</li><li>Yukarıdaki rootkit gibi zararlıların çalışma mantığını anlama ve buna göre use-caseler geliştirilebilir. Örneğin prevent.sys nin sisteme load edilebilmesi için sc.exe komutu ile servis kurulması gerekmektedir. Bu gibi durumlarda şüpheli servis kurulumlarını izleyebiliyorsak eğer, bu argümanları şüpheli olarak işaretleyebilir ve analizleri gerçekleştirebiliriz.</li></ul><h4>Kaynakça</h4><ul><li><a href="https://www.alteredsecurity.com/post/when-the-hunter-becomes-the-hunted-using-custom-callbacks-to-disable-edrs">Altered Security</a></li><li><a href="https://tacticaladversary.io/adversary-tactics/bypass-defender-and-ppl-protection-to-dump-lsass/">Bypassing Windows Defender and PPL Protection to dump LSASS without Detection | Adversary Tactics and Tradecraft | Tactical Adversary</a></li></ul><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=ebc73f1d3c61" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[Microsoft Defender ByPass Ederek Lsass Dump Elde Etmek]]></title>
            <link>https://medium.com/@sergenyanmis/microsoft-defender-bypass-ederek-lsass-dump-elde-etmek-8d55725665b3?source=rss-d170091eaf07------2</link>
            <guid isPermaLink="false">https://medium.com/p/8d55725665b3</guid>
            <category><![CDATA[lsass]]></category>
            <category><![CDATA[splunk]]></category>
            <category><![CDATA[purple-team]]></category>
            <category><![CDATA[arcsight]]></category>
            <category><![CDATA[cybersecurity]]></category>
            <dc:creator><![CDATA[Sergen Yanmış]]></dc:creator>
            <pubDate>Sun, 31 Dec 2023 09:57:38 GMT</pubDate>
            <atom:updated>2023-12-31T09:57:38.184Z</atom:updated>
            <content:encoded><![CDATA[<figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*LaJUj4vHsylSWtBvuNf39w.jpeg" /><figcaption>Microsoft Defender ByPass with PPLBlade</figcaption></figure><p>Herkese merhaba. Bu yazımda Microsoft Windows işletim sistemlerinde, güvenlik processlerinden biri olan “lsass (local security authority subsystem service)” tan bahsedeceğim. Ayrıca;</p><ul><li>Bu process in ne işe yaradığını,</li><li>Kötü niyetli kişiler tarafından dump edildiğinde neler elde edilebileceğini,</li><li>PPL Blade aracı ile Microsoft Defender’ı bypass edip lsass dump elde etmeyi,</li><li>Detection kısmında ise hem Splunk hem de ESM’de bu hareketlerin nasıl tespit edileceğini gösteren kuralları yazıyor olacağım.</li></ul><p>Öncelikle lsass.exe’den bahsedelim.</p><h4><strong>Lsass Nedir?</strong></h4><p>Açılımı “Local Security Authority Subsystem Service” olan Lsass, Microsoft işletim sistemlerinde bulunan, sistem süreçlerinden biridir. Bu process, güvenlikle ilgili işlevleri yönetir ve yerel güvenlik politikalarını uygular. Özellikle kullanıcı kimlik doğrulaması, parola değişiklikleri ve erişim belirteçlerinin oluşturulmasını içerir. Bazı temel işlevleri özetle şunlardır;</p><ul><li>Kullanıcıların kimlik doğrulaması için güçlü şifreleme algolaritmaları kullanır.</li><li>Parolaların karmaşıklığını ve uzunluğunu denetler.</li><li>Erişim belirteçleri kullanarak, kullanıcılara yalnızca yetkilendirildikleri kaynakları kullanma izni verir.</li></ul><h4>Lsass Dump Ele Geçirilirse Neler Yapılabilir?</h4><p>Lsass.exe process i farklı yapılardaki şifreleri saklayabilir. Şifrelenmiş açık metin, Kerberos ticket, LM ve NT hash şeklinde tutulabilir. Bu process yürütülürken local admin ya da sistem yetkileri gerekmeden bir politika uygulanmamışsa dump elde edilebilir durumdadır. Zafiyette buradan kaynaklanıyor aslında.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*1HIavZ_qxsPe2wzAzxQddw.png" /><figcaption>Lsass.exe Dump Alınması</figcaption></figure><p>Yukarıdaki işlemde de görüldüğü gibi “Task Manager” dan lsass.exe processini bulup sağ tıklayıp dump dosyasını elde edebiliriz. Tabii Microsoft Defender da real-time protection açık olduğu için bu işleme izin vermeyecektir. Fakat bazı araçlarla RAM üzerinden ya da Defender ı bypass ederek dump elde edebiliriz. Bu yazıda da tam olarak bunu anlatacağım aslında. Saldırgan bu dump dosyasıyla neler elde edebilir?</p><ul><li>Herhangi politika uygulanmamış domainlerde bulunan kullanıcıların şifreleri clear text tutuluyor olabilir. Bu dump dosyasıyla birlikte bu şifreler elde edilebilir.</li><li>Daha önce yapılmaması beklenen Domain Admin ile bilgisayarda oturumun açılmış olmasıyla hashler kalabilir. Elde edilen hashlerle de Pass The Hash saldırısı denenebilir.</li><li>Yine elde edilen hash bilgilerine brute force yapılabilir.</li></ul><h4>PPLBlade.exe Kullanıp Dump Elde Etmek</h4><p>Lsass.exe dump ını elde edebilmek için local admin ya da sistem yetkileri kullanmaya gerek bulunmuyor. Fakat gerek uygulanan Antivirüs politikaları gerekse gpo bazında bazı engellemeler yapılabilmektedir. Örneğin Antivirüs üzerinden dump alınması engellenebilir ve hiçbir kullanıcı bunu yapamaz hale getirilebilir. Yine örnek vermek gerekirse, Microsoft Defender ı açık durumda bulunan sunucudan dump almaya çalışalım.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*1HIavZ_qxsPe2wzAzxQddw.png" /></figure><figure><img alt="" src="https://cdn-images-1.medium.com/max/793/1*B6sV9I_Q74zQAE0TySnf7Q.png" /><figcaption>Defender Açıkken Dump Alınması</figcaption></figure><p>Real-time protection açık olan sunucuda dump almayı denediğimde “access denied” uyarısı ile karşılaştık ve bu hareket direkt olarak defender da engellendi.</p><p>PPL (Protected Process Light) koruması, Microsoft Windows’un işletim sisteminde uygulanan bir güvenlik önlemidir. Bu özellik belirli kritik sistem süreçlerini korumak için tasarlanmıştır ve bu processlere dış müdahaleleri sınırlayarak güvenliği arttırmayı amaçlamaktadır. Lsass processinde de bu koruma uygulanmaktadır. Pepperoni tarafından geliştirilen PPLBlade, PPL i atlatıp defender’ı bypass edebilmektedir. İlgili araca <a href="https://github.com/tastypepperoni/PPLBlade/releases">https://github.com/tastypepperoni/PPLBlade/releases</a> ulaşabilirsiniz. PPL Blade korumalı işlem boşaltma aracıdır. Lsass işlem dosyalarının diske kaydedilmesine gerek kalmadan uzak makinelere aktarımını kolaylaştırır. Bu araç başka neler yapabilir?</p><ul><li>Windows PPL korumasını atlatır.</li><li>Defender imza tabanlı algılama mekanizmalarından kaçınmak için bellek dökümü dosyalarını gizler.</li><li>İşlem dosyalarını diske yazmadan RAW ve SMB yükleme yöntemleriyle uzak makinelere aktarır.</li><li>PPLBlade, diske dokunmak yerine bir işlem dökümünün baytlarını alacak ve baytları bellekte depolayacak “MiniDumpWriteDump” ı temel alan özel bir geri çağırma işlevi kullanır. Bellekte saklanan veriler gizlenebilir/XOR’lanabilir ve diske bırakılabilir. Bu adımlar, döküm dosyaları için Defender’ın imza tabanlı tespitinden başarılı bir şekilde kaçınmamıza yardımcı olur.</li></ul><h4>Splunk Detection</h4><p>EDR, Antivirüs, Firewall gibi ürünlerin çok fazla tespit yeteneği bulunmaktadır. Fakat bu yazınında konusunda olduğu gibi Microsoft Defender bypasss edilip kritik dosyalar dump edilebilmektedir. Bu tarz bypass hareketlerin tespit edilmesinde SIEM çok kritik bir öneme sahip olmaktadır. Her hareketin bir izi olduğu gibi bu bypass hareketleri de loglanmaktadır. SIEM’de bu hareketleri korele ederek tespit noktalarımızı arttırmamıza olanak sağlamaktadır.</p><p>Splunk çok güçlü SIEM ürünlerinin başında gelmektedir. Sysmon logunu topladığımız makinede PPLBlade’i çalıştırıp, oluşan logları inceledikten sonra Enterprise Security üzerinde kuralımızı oluşturup, detection ı sağlayalım.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*oOTmqCWsWO4au6ClwhEPsg.png" /><figcaption>PPLBlade.exe çalıştırılması</figcaption></figure><p>Öncelikle PPLBlade.exe dosyasını sunucuya indirip aşağıdaki komutu çalıştıralım.</p><p>“PPLBlade.exe — mode dothatlsassthing — obfuscate”</p><p>Komutu çalıştırdıktan hemen sonra “PPLBlade.dmp” dosyasını komutu çalıştırdığımız pathte görebileceksiniz. Bu hareketleri yaparken Defender açık olduğunu da unutmayalım. Oluşan logları inceleyelim.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*ndA4bKVfyZ-K-xt9k1gQXQ.png" /><figcaption>Oluşan Log İncelemesi</figcaption></figure><p>Görüldüğü gibi çalıştırdığımız komutu Sysmon:1 event id sinde net bir şekilde okuyabiliyoruz. Aslında PPLBlade.exe dosyasının herhangi bir “commandline” alanında geçmesi sıkıntılı olduğu için kuralımızı bu alana göre gönül rahatlığıyla yazabiliriz.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/735/1*ZiKidbkKsPHob4HaFKU8cA.png" /><figcaption>ES-1</figcaption></figure><p>Splunk Enterprise Security yani Splunk’ın SIEM app i içerisinde “Correlation Search” içerisinde kuralı hızlıca oluşturalım. “index=sysmon EventCode=1 CommandLine=*PPLBlade.exe*” sorgusu bizim herhangi bir PPLBlade.exe çalıştırılması durumunda tespit noktası anlamında true/positive alarmı üretecektir. Annotation bölümünde Mitre Att&amp;ck tagini yazıp ilerleyebiliriz.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/748/1*IxbPRyHf8P2Un9JZWDIV7A.png" /><figcaption>ES-2</figcaption></figure><p>Search tarafını tamamladıktan sonra, sorgunun ne kadar süreye bakacağı ve ne zaman triggerlanacağını belirlemek gerekmektedir. İlgili alanları doldurup ilerliyoruz.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/666/1*o_BTEZ2ZWloSuMv0QlDgyw.png" /><figcaption>ES-3</figcaption></figure><p>Adımları tamamladıktan sonra en önemli noktalardan birine geliyoruz. Log gelip alarm tetiklendikten sonra ne olacağı sorusunun cevabı burada verilmektedir. Alarm çalıştıktan sonra alarmın hem SOC ekibi hem de güvenlik ekibi aynı zamanda Splunk indexlerinde tutulabilmesi için “notable” action ı vermemiz gerekmektedir. Bu şekilde alarm tetiklendikten sonra notable events bölümünden tetiklenen alarmları takip edebilmekteyiz. Ayrıca kuralımızın ismi de “Lsass Dump FileWith PPLBlade.exe” dir. Onu da notable event title ına ekleyip devam edebiliriz.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/640/1*jnTyUn7AKHVs0KtnFf5Bng.png" /><figcaption>ES-4</figcaption></figure><p>Splunk’ta birden fazla action verebilirsiniz. Diğer bir action olarak Splunk’ın en güzel özelliklerinden biri olan Risk Analiz i ekleyebiliriz. Bu action ile risk objelerini belirleyebilir ve alarm sonrasında ilgili risk objelerinin risk skorlarını belirleyebilirsiniz. Görüldüğü gibi ben computer objesine alarm tetiklendikten sonra high seviyede bir alarm olduğu için 80 puan verilmesini istedim. Aynı şekilde komutu çalıştıran user ın puanınında 80 olmasını istedim. Bu şekilde artifactlerde oluşturabilmekteyiz.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*mGIAZitQAfMyYFmf9j0bnw.png" /><figcaption>ES-5</figcaption></figure><p>İlgili alarmı kaydedip enable duruma getirdikten sonra logun yeniden oluşmasını sağladım. Hemen ardından hızlıca “notable events” bölümünden alarmın tetiklendiğini görebilmekteyiz. Burada istediğim risk skorları görünmüyor fakat user ın yanındaki “0” skoruna tıkladığımda beni “Risk Analysis” sayfasına yönlendirmektedir.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*erqj3ly2H-C3sngWPROLeA.png" /><figcaption>ES-6</figcaption></figure><p>Bu sayfada baktığımda (2 defa test ettiğim için) “Administrator” user ının puanının 160 olduğunu görüyoruz. Neden 160 olduğunu da aşağıdaki sourcetan inceleyebilmekteyiz. Bu analistler ve incident responderlar için detaylı ve kolay bir arayüz olduğunu söyleyebilirim.</p><p>Splunktaki detection ı bu şekilde tamamladık. Şimdi de ArcSight ESM e bakalım.</p><h4>ArcSight ESM Detection</h4><p>ArcSight connector ile Sysmon loglarını ESM’e gönderdikten sonra tekrar PPLBlade.exe sini çalıştıralım.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/672/1*2Z0EXrJPJOjt-qH-SQUF0g.png" /><figcaption>ESM-1</figcaption></figure><p>Aynı loglar ESM tarafında da görünecektir. Tabiki kategorilendirme ve normalizasyonda farklılıklar olduğu için aynı alanları ESM de görememekteyiz. ESM Console ekranında PPLBlade.exe hareketini tespit edecek condition ını yukarıdaki gibi oluşturabildik.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/911/1*_mOL_IhhsOaJWJxm-hfeeQ.png" /><figcaption>ESM-2</figcaption></figure><p>Görüldüğü gibi ESM’de de oluşturduğumuz alarm tetiklendi ve istediğimiz sonucu elde ettik.</p><p>Microsoft Defender açık olup detection sağlayamadığı durumda dahi SIEM ürünleri ile hızlıca tespit edebileceğimiz kuralları oluşturup krizin önüne geçebilmekteyiz. Burada doğru logları almak, kör etmeyecek kurallar yazmak oldukça önemli ve kıymetlidir.</p><h4>Referanslar</h4><ul><li><a href="https://tacticaladversary.io/adversary-tactics/bypass-defender-and-ppl-protection-to-dump-lsass/">Bypassing Windows Defender and PPL Protection to dump LSASS without Detection | Adversary Tactics and Tradecraft | Tactical Adversary</a></li><li><a href="https://github.com/tastypepperoni/PPLBlade/releases">Releases · tastypepperoni/PPLBlade</a></li><li><a href="https://github.com/tastypepperoni/PPLBlade">GitHub - tastypepperoni/PPLBlade: Protected Process Dumper Tool</a></li></ul><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=8d55725665b3" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[Integration Command with ArcSight]]></title>
            <link>https://medium.com/@sergenyanmis/integration-command-with-arcsight-777026d320a6?source=rss-d170091eaf07------2</link>
            <guid isPermaLink="false">https://medium.com/p/777026d320a6</guid>
            <category><![CDATA[integration]]></category>
            <category><![CDATA[siem]]></category>
            <category><![CDATA[arcsight]]></category>
            <category><![CDATA[cybersecurity]]></category>
            <dc:creator><![CDATA[Sergen Yanmış]]></dc:creator>
            <pubDate>Thu, 07 Sep 2023 09:32:51 GMT</pubDate>
            <atom:updated>2023-09-07T09:32:51.520Z</atom:updated>
            <content:encoded><![CDATA[<figure><img alt="" src="https://cdn-images-1.medium.com/max/401/1*Sd125gt4nacWpfDlSSFc_w.jpeg" /><figcaption>Integration Command</figcaption></figure><p>Herkese merhaba. Bu yazımda ArcSight’ın Integration Command özelliğini uygulamalı bir şekilde anlatacağım. Öncelikle Integration Commandler nedir buna bir bakalım.</p><p>Integration Command, ArcSight ESM konsolundan diğer görünümler ve uygulamalardaki bilgilere bağlantı yapmanıza olanak tanır. Olaylar veya alarmlardaki alan değerlerini komut parametreleri olarak kullanıp, komutları lokalde, uzak sunucularda ya da aygıtlarda oluşturup başlatabilirsiniz. Örnek olarak basit bir olay düşünelim. Bir sunucuya zararlı bulaştığıyla ilgili SIEM’de bir alarm oluştuğunu düşünelim. SOC Analistleri, log detaylarında ilgili malware i tespit edip bununla ilgili analizlere başlamaları gerekmektedir. Bu analizleri tek bir tıklama ile virustotal, abuseip gibi sitelere yaptırıp sonuçları hızlıca görebilirler. Bunu da Integration Commandler ile yapabiliriz. Bu söylediklerimizi bir de uygulamalı anlatalım.</p><p>Senaryomuzda USOM’un yayınlamış olduğu <a href="https://www.usom.gov.tr/url-list.txt">https://www.usom.gov.tr/url-list.txt</a> linkteki zararlı url ve ipleri connector aracılığıyla SIEM’deki bir listeye alıp, network içerisinde bu url ya da iplere istek olduğu zaman alarm oluşmasını sağlayacağız. Daha sonrasında oluşan alarm içerisindeki zararlı url ya da ip için virustotal üzerinden, Integration Command ile analiz etmesini sağlayacağız.</p><p><strong>Uygulama</strong></p><p>Connector aracılığı ile aldığımız USOM’un zararlı url ve iplerini bir liste içerisinde toplayalım.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/806/1*EulX7MiDuOT7aK3fk_Z2YA.png" /><figcaption>USOM Blacklist</figcaption></figure><p>Hızlıca bir lightweight rule ile listemizi gelen loglardan besleyebiliriz. Artık blacklist domain ve ip listemiz hazır. Dilerseniz bu listeyi dinamik bir şekilde de doldurabilirsiniz. Zararlı trafiği tespit edecek real-time kuralımızı da oluşturalım.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/514/1*QbAUwEGjgOxVxrzyYbEjgw.png" /><figcaption>Real Time Rule</figcaption></figure><p>“Topladığımız TI’ listesi ile DNS Trace Loglarının “request URL” alanındaki adresleri eğer match olursa alarm oluştur” mantığındaki alarmı yukarıda görüldüğü gibi oluşturduk. Artık alarmı tetikletmemiz gerekiyor. Bunun için active listteki zararlı urllerden birine gidip, dns isteği oluşturalım.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/889/1*lCAt9Ibc4oo7SzjQUZzPrA.png" /><figcaption>RealTime Alert Tetikleme</figcaption></figure><p>Alarmın tetiklenmesi için blacklistteki “01vergi-iade.com” adresine bir istek gönderdim. 1 dk sonrasında görüldüğü gibi alarmın tetiklendiğini görebiliyorum. Burada requesturl deki alanı analiz etmek için bir integration command oluşturacağız. Dilerseniz bunu virustotal ya da abuseip den yapabilirsiniz. İki analizi de tek bir command ile de yapabilmektesiniz. Yazının sonunda sadece virustotal vs. değil başka şekilde de Integration commandleri nasıl kullanabileceğimize değineceğiz.</p><p><strong>Integration Command Oluşturma</strong></p><p>Integration Command oluşturmak için konsol ekranında sol üst bölümden “Integration Command” alanına ilerlemek gerekmektedir.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/558/1*CQm9DLEuPWlVcC7SpEAeBw.png" /><figcaption>Command Configuration</figcaption></figure><p>Bu alanda “New Configuration” seçip command editor ün açılması gerekmektedir. Yukarıda da görüldüğü gibi, 3 farklı target type seçilebilmektedir. Alarm çalıştıktan sonra script çalıştırabilir, connector’e action gönderebilir ya da istenilen url’e istek gönderebiliriz. VirusTotal’e url sorgulatacağımız için target type olarak “URL” seçmemiz gerekmektedir.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/694/1*cQIFgS_pm92-eWqTMLwztA.png" /><figcaption>VirusTotal Command</figcaption></figure><p>Command Name verilir ve URL bölümüne virustotalden sorgu atılacağı için, sitenin linki verilir. Son bölümde ise alarm içerisindeki hangi alanın sorgulatılması isteniyorsa “$” parametresi verip alan adını yazabiliriz. Command için bu kadar konfigürasyon yeterli olacaktır. Artık oluşan alarm için aksiyon alabiliriz.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*N6RiLsKqBz34Rd0q_5wCBQ.png" /><figcaption>Integration Command</figcaption></figure><p>Alarmın üzerine sağ tıkladığımız zaman yukarıdaki menü açılacaktır. Oluşturduğumuz command in adı “VirusTotal” idi. Sağ tıklayıp bu command i çalıştırmamız gerekmektedir. Açılan menüden “Integration Command &gt; VirusTotal” tıkladıktan sonra, virustotal açılıp request url alanında hangi url var ise onunla ilgili sonucu bize döndürecektir.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*Vl3kouP4y0LbXYYI_-AVAQ.png" /><figcaption>VirusTotal Sonucu</figcaption></figure><p>Görüldüğü gibi “01vergi-iade.com” un sonuçları hızlı bir şekilde döndü. Buradan ilgili analizleri yapıp, domainle ilgili kararları verebiliriz.</p><p>Bunu yalnızca virustotal, abuseip bazında düşünmemek gerekiyor. Örnek olarak gelen şüpheli mailleri mailbox ile de kontrol ettirebilirsiniz. Ya da script çalıştırıp TI ürünlerine sorgu çalıştırıp, ESM üzerine sonuç döndürebilirsiniz. Herhangi bir endpoint ile ilgili şüpheli bir hareket olduğunda script target type’tan yararlanarak, ilgili endpoint ile ilgili EDR, Forensic gibi ürünlerde aksiyon aldırabilirsiniz.</p><p>Bir sonraki yazımda görüşmek üzere.</p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=777026d320a6" width="1" height="1" alt="">]]></content:encoded>
        </item>
    </channel>
</rss>