Skip to main content

ANCI-Kerno: librerías para gestión de riesgos en ciberseguridad

Este paquete implementa una serie de clases y funciones para la gestión de riesgos en ciberseguridad. Actualmente tiene dos clases: HawkesModel y IncidentList.

HawkesModel.py

Esta clase implementa un modelo Hawkes multivariado para la probabilidad instantánea de un conjunto de incidentes, con un kernel gamma para modelar la demora que ocurre entre la ocurrencia de un tipo de incidente y la posible activación de otros tipos de incidentes.

Base matemática

Un modelo Hawkes multivariado implementa tantos modelos Hawkes como tipos de incidentes existen, y define una función de intensidad que representa la probabilidad instantánea de ocurrencia de un tipo de incidente, basado en la historia de ocurrencias de otros incidentes. El valor de la función de intensidad aumenta cuando ocurren otros incidentes, y disminuye exponencialmente hasta llegar a un nivel base.

El modelo Hawkes "tradicional" usa una función de intensidad que aumenta instantáneamente luego de la ocurrencia de otros incidentes. Un modelo con un kernel gamma (o un delay kernel), en cambio, introduce una "demora" entre la ocurrencia de un incidente gatillador y el incidente modelado. Esta demora se utiliza para modelar el hecho de que ningún incidente genera aumentos instantáneos en otros incidentes: la demora depende de cada tipo de incidente, y representa el tiempo que se demoran los atacantes entre el descubrimiento de una vulnerabilidad y su explotación.

Por ejemplo, supongamos que ocurre una filtración de credenciales. Un atacante con acceso a estas credenciales toma un tiempo (desde pocos minutos a varios días) en descubrir cómo utilizar estas credenciales para montar un ataque de (por ejemplo) ransomware. Supongamos que en promedio los atacantes se demoran 14 días en este proceso; el aumento en la intensidad del ransomware llegará a su peak 14 días después de la ocurrencia de la filtración de credenciales.

Un modelo Hawkes, a diferencia de un modelo Poisson, no asume:

  1. Que la probabilidad de cada tipo de evento es estática;
  2. Que los tipos de eventos son independientes entre sí (en ciberseguridad, la ocurrencia de algunos tipos de incidente aumentan la probabilidad de ocurrencia de otros tipos).

La fórmula general de un modelo Hawkes multivariado con un kernel gamma es la siguiente:

$$\lambda_i(t) = \mu_i + \sum_{j=1}^M \sum_{t_{j,k} < t} \alpha_{ij} g_{ij}(t - t_{j,k})$$

Donde:

  • $M$ es la cantidad de tipos de incidentes distintos;
  • $\mu_i$ es la tasa base de ocurrencia de incidentes del tipo $i$; por ejemplo, en el caso del ransomware, es la tasa de ocurrencia aleatoria de ransomware, independiente de las campañas que puedan estar ocurriendo en un momento dado;
  • $t_{j,k}$ es el timestamp del evento $k$-ésimo del incidente de tipo $j$.
  • $\alpha_{ij}$ representa los coeficientes de la matriz de activación. Cada escalar $\alpha_{ij}$ representa cuánto aumenta el riesgo $i$ debido a un incidente de tipo $j$.
  • $g_{ij}(\tau)$ es el kernel gamma. Esta función representa cuánto demora el riesgo $i$ en llegar a su peak debido al incidente de tipo $j$.

La fórmula para el kernel gamma es:

$$g_{ij}(\tau) = \beta_{ij}^2 \tau e^{-\beta_{ij}\tau}$$

Donde $\beta_{ij}$ representa el inverso del tiempo ($1/t$) que transcurre desde la ocurrencia de un incidente gatillador, y el peak del incidente consecuencia.

Métodos de la clase

Esta clase tiene tres métodos:

  1. El constructor __init__(), que recibe un objeto JSON con los valores precalculados a utilizar;
  2. calculate_delay_kernel(i, j, t_event, t_current), que calcula la función $g_{ij}(\tau)$, donde t_event es $\tau$, y t_current es el instante en el que se está calculando la función (por default, el momento actual);
  3. calculate_intensity(i, past_events, t_current), que calcula la intensidad $\lambda_i(t)$ del incidente de tipo i a partir de la lista de incidentes past_events.

IncidentList.py

Esta clase implementa una lista de incidentes de ciberseguridad, parseando un payload JSON y calculando los deltas de tiempo (tau) relativos a un timestamp ancla inmutable.

Métodos de la clase

Esta clase tiene cuatro métodos:

  1. El constructor __init__(), que recibe un objeto JSON con los valores precalculados a utilizar;
  2. get_raw_events(self, target_event_type: int | None = None, t_current: float | None = None), que devuelve una lista de eventos
  3. get_anchor_time_in_days(self)
  4. get_indicator(self, target_event_type: int)

Metadata

Release files for anci-kerno 0.0.4

For a detailed explanation of source distributions (sdists) and built distributions (wheels), please see the package formats documentation.

Source distribution (sdist)

Source distribution for anci-kerno 0.0.4
File Size Uploaded Provenance Actions
anci_kerno-0.0.4.tar.gz 19.4 kB Without provenance Details for anci_kerno-0.0.4.tar.gz

Built distribution (wheel)

Table of built distributions (wheels) for anci-kerno 0.0.4
File Interpreter ABI Platform Actions
anci_kerno-0.0.4-py3-none-any.whl Python 3 none any Details for anci_kerno-0.0.4-py3-none-any.whl

Total release size: 30.5 kB

Release files / anci_kerno-0.0.4.tar.gz

Download URL anci_kerno-0.0.4.tar.gz
Size 19.4 kB
Tags Source
SHA-256 checksum
How to use checksums
bcad54229f3b3db46c06bfcdb212faa7b2964aa51cd061ba9f716a5e3e5e337c
BLAKE2b-256 checksum
How to use checksums
8cd6db29dec6aa8e01171f1d11957c4850913e8ef97a5a5ccd24742141e3082f
Upload date
Uploaded using Trusted Publishing?
What is trusted publishing?
No
Uploaded via twine/7.0.0 CPython/3.12.3

Release files / anci_kerno-0.0.4-py3-none-any.whl

Download URL anci_kerno-0.0.4-py3-none-any.whl
Size 11.1 kB
Tags Python 3
SHA-256 checksum
How to use checksums
42cb902d518e842f5ca56c41bad831af334d7a0f3ccf541bec84d1ca72f5e1d5
BLAKE2b-256 checksum
How to use checksums
a4f9625fba4b83c465bc19d4da543a1912f3f347b98ea96c36d873741151c3b1
Upload date
Uploaded using Trusted Publishing?
What is trusted publishing?
No
Uploaded via twine/7.0.0 CPython/3.12.3

Security for anci-kerno 0.0.4

Provenance

Provenance describes where a file came from. On PyPI, provenance is shared via attestations, which provide a verifiable record of the build or publishing details. View details, limitations and caveats.

No provenance found

None of the files in this release were uploaded with provenance metadata.

A note on package security

PyPI is a repository for distributing packages, not a service for auditing them. While third-party security researchers and our staff do their best to detect and remove malicious packages, PyPI cannot guarantee the quality, security or suitability of any given package.

To learn more about protecting yourself from malicious actors, visit our package security documentation.

Anthropic, PBC Visionary sponsor Bloomberg Visionary sponsor Hudson River Trading Visionary sponsor Meta Visionary sponsor NVIDIA Visionary sponsor Microsoft Sustainability sponsor Depot Continuous Integration AWS Cloud computing and Security Sponsor Datadog Monitoring Fastly CDN Google Download Analytics Sentry Error logging StatusPage Status page