correlating-security-events-in-qradar
Ensina seu agente de IA a proteger aplicações contra ataques.
O que ela faz
Esta ferramenta ajuda analistas de segurança a encontrar padrões suspeitos em eventos de rede e sistemas usando o IBM QRadar. Ela permite investigar incidentes, criar regras para detectar ataques em várias etapas e ajustar alertas para evitar avisos falsos.
Quando usar
- ✓Investigar um alerta de segurança no QRadar.
- ✓Criar uma nova regra para detectar um tipo específico de ataque.
- ✓Reduzir o número de alertas irrelevantes (falsos positivos).
Exemplo do que pedir para a IA
“Como posso configurar o QRadar para detectar se um usuário está tentando adivinhar senhas repetidamente em várias máquinas?”
Quer saber mais? Abra as seções abaixo.
Como usar
O jeito mais fácil: copie a mensagem abaixo e cole no Claude, ChatGPT, Cursor ou outra IA. Ela lê a skill e segue as instruções.
Link da skill
Mensagem pronta para colar
Como funciona
A ferramenta usa uma linguagem de consulta chamada AQL para buscar e analisar dados de eventos. Ela também permite criar regras que combinam diferentes tipos de eventos para identificar atividades maliciosas.
Instalação
Jeito mais fácil: copie o link da skill e cole no Claude, ChatGPT ou Cursor pedindo para seguir as instruções.
No terminal (Claude Code, Codex, Cursor), na pasta do projeto:
npx skills add mukul975/Anthropic-Cybersecurity-Skills --skill correlating-security-events-in-qradarOu baixe só o arquivo:
curl -L https://raw.githubusercontent.com/mukul975/Anthropic-Cybersecurity-Skills/main/skills/correlating-security-events-in-qradar/SKILL.md -o SKILL.mdConteúdo técnico (SKILL.md)
Tradução do texto original do autor no GitHub. Os comandos e códigos estão como no original.
Correlação de Eventos de Segurança no QRadar
Quando Usar
Use esta habilidade quando:
- Analistas de SOC precisarem investigar ofensas do QRadar e correlacionar eventos entre múltiplas fontes de log
- Engenheiros de detecção criarem regras de correlação personalizadas para identificar ataques de múltiplos estágios
- For necessário ajustar alertas para reduzir ofensas de falsos positivos e melhorar a qualidade do sinal
- A equipe migrar do monitoramento básico de eventos para a correlação baseada em comportamento
Não use para integração ou análise de fontes de log — isso requer acesso de administrador do QRadar e conhecimento do editor DSM.
Pré-requisitos
- IBM QRadar SIEM 7.5+ com gerenciamento de ofensas habilitado
- Conhecimento de AQL para consultas ad-hoc de eventos e fluxos
- Fontes de log normalizadas com mapeamentos QID corretos (Windows, firewall, proxy, endpoint)
- Papel de usuário com permissões de gerenciamento de ofensas, criação de regras e pesquisa AQL
- Conjuntos/mapas de referência configurados para gerenciamento de listas brancas e de observação
Fluxo de Trabalho
Etapa 1: Investigar uma Ofensa com AQL
Abra uma ofensa no QRadar e consulte os eventos contribuintes usando AQL (Ariel Query Language):
SELECT DATEFORMAT(startTime, 'yyyy-MM-dd HH:mm:ss') AS event_time,
sourceIP, destinationIP, username,
LOGSOURCENAME(logSourceId) AS log_source,
QIDNAME(qid) AS event_name,
category, magnitude
FROM events
WHERE INOFFENSE(12345)
ORDER BY startTime ASC
LIMIT 500
Faça um pivô no IP de origem para encontrar toda a atividade:
SELECT DATEFORMAT(startTime, 'yyyy-MM-dd HH:mm:ss') AS event_time,
destinationIP, destinationPort, username,
QIDNAME(qid) AS event_name,
eventCount, category
FROM events
WHERE sourceIP = '192.168.1.105'
AND startTime > NOW() - 24*60*60*1000
ORDER BY startTime ASC
LIMIT 1000
Etapa 2: Criar uma Regra de Correlação Personalizada
Crie uma regra de múltiplas condições detectando força bruta seguida de login bem-sucedido:
Regra 1 — Detecção de Força Bruta (Bloco de Construção):
Rule Type: Event
Rule Name: BB: Multiple Failed Logins from Same Source
Tests:
- When the event(s) were detected by one or more of [Local]
- AND when the event QID is one of [Authentication Failure (5000001)]
- AND when at least 10 events are seen with the same Source IP
in 5 minutes
Rule Action: Dispatch new event (Category: Authentication, QID: Custom_BruteForce)
Regra 2 — Força Bruta Bem-Sucedida (Regra de Correlação):
Rule Type: Offense
Rule Name: COR: Brute Force with Subsequent Successful Login
Tests:
- When an event matches the building block BB: Multiple Failed Logins from Same Source
- AND when an event with QID [Authentication Success (5000000)] is detected
from the same Source IP within 10 minutes
- AND the Destination IP is the same for both events
Rule Action: Create offense, set severity to High, set relevance to 8
Etapa 3: Usar AQL para Correlação Entre Fontes
Correlacione falhas de autenticação com fluxos de rede para detectar movimento lateral:
SELECT e.sourceIP, e.destinationIP, e.username,
QIDNAME(e.qid) AS event_name,
e.eventCount,
f.sourceBytes, f.destinationBytes
FROM events e
LEFT JOIN flows f ON e.sourceIP = f.sourceIP
AND e.destinationIP = f.destinationIP
AND f.startTime BETWEEN e.startTime AND e.startTime + 300000
WHERE e.category = 'Authentication'
AND e.sourceIP IN (
SELECT sourceIP FROM events
WHERE QIDNAME(qid) = 'Authentication Failure'
AND startTime > NOW() - 3600000
GROUP BY sourceIP
HAVING COUNT(*) > 20
)
AND e.startTime > NOW() - 3600000
ORDER BY e.startTime ASC
Detecte exfiltração de dados correlacionando consultas DNS com grandes fluxos de saída:
SELECT sourceIP, destinationIP,
SUM(sourceBytes) AS total_bytes_out,
COUNT(*) AS flow_count
FROM flows
WHERE sourceIP IN (
SELECT sourceIP FROM events
WHERE QIDNAME(qid) ILIKE '%DNS%'
AND destinationIP NOT IN (
SELECT ip FROM reference_data.sets('Internal_DNS_Servers')
)
AND startTime > NOW() - 86400000
GROUP BY sourceIP
HAVING COUNT(*) > 500
)
AND destinationPort NOT IN (80, 443, 53)
AND startTime > NOW() - 86400000
GROUP BY sourceIP, destinationIP
HAVING SUM(sourceBytes) > 104857600
ORDER BY total_bytes_out DESC
Etapa 4: Configurar Conjuntos de Referência para Enriquecimento de Contexto
Crie conjuntos de referência para listas brancas e listas de observação dinâmicas:
# Criar conjunto de referência via API do QRadar
curl -X POST "https://qradar.example.com/api/reference_data/sets" \
-H "SEC: YOUR_API_TOKEN" \
-H "Content-Type: application/json" \
…
Perguntas frequentes
O que é QRadar?
QRadar é um sistema de segurança que coleta e analisa dados de eventos de rede e computadores para detectar ameaças.
O que são 'falsos positivos'?
Falsos positivos são alertas de segurança que parecem indicar um problema, mas na verdade são eventos normais ou inofensivos.
Preciso ser um especialista em QRadar para usar isso?
É útil ter algum conhecimento básico de QRadar e da linguagem AQL, mas a ferramenta foi projetada para simplificar o processo de correlação de eventos.
Detalhes
Descrição original do autor
Correlates security events in IBM QRadar SIEM using AQL (Ariel Query Language), custom rules, building blocks, and offense management to detect multi-stage attacks across network, endpoint, and application log sources. Use when SOC analysts need to investigate QRadar offenses, build correlation rules, or tune detection logic for reducing false positives. '
Popularidade
- Estrelas no GitHub
- 35 mil
- Posição no ranking
- #5610
- Licença
- Apache-2.0
- Atualizada em
- 31/08/2026
Comentários
- …
Mais skills deste repositório
abusing-dpapi-for-credential-access
Dá ao seu agente de IA instruções prontas para uma tarefa específica, para ele fazer melhor e mais rápido.
mukul975/Anthropic-Cybersecurity-Skills
abusing-shadow-credentials-for-privesc
Ensina seu agente de IA a escrever textos claros e bem estruturados.
mukul975/Anthropic-Cybersecurity-Skills
achieving-cmmc-level-2-compliance
Ajuda seu agente a preparar um ambiente para conformidade com CMMC Nível 2. Ele implementa requisitos de segurança e gerencia a documentação necessária.
mukul975/Anthropic-Cybersecurity-Skills
acquiring-disk-image-with-dd-and-dcfldd
Ajuda seu agente a criar cópias exatas de discos rígidos. Isso é útil para garantir que nenhuma informação seja perdida ou alterada durante investigações.
mukul975/Anthropic-Cybersecurity-Skills
Skills parecidas
django-security
Ajuda seu agente a implementar práticas de segurança em aplicações Django. Ele foca em autenticação, autorização e prevenção contra ataques comuns, garantindo um código mais seguro.
affaan-m/ECC
laravel-security
Ajuda seu agente a proteger aplicações Laravel contra ameaças. Implementa práticas de segurança para autenticação, autorização e prevenção de ataques comuns.
affaan-m/ECC
module-regression
Ajuda seu agente a gerenciar mudanças em projetos grandes. Garante que alterações em uma parte do código não quebrem outras partes.
affaan-m/ECC