Proyectos

CiberLab - Generador de informes

Python
CAPE Sandbox
LLM
Ciberseguridad
Automatización

Desarrollo de una librería Python modular para procesar resultados de análisis dinámico de malware y generar informes PDF mediante modelos de lenguaje, enriquecimiento de datos y automatización.

Diagrama de generación automatizada de informes de análisis de malware

Introducción

Este proyecto forma parte de CiberLab, una iniciativa de investigación en ciberseguridad desarrollada en el entorno de la Universidad de León y el Grupo de Robótica.

Su objetivo fue desarrollar una librería Python capaz de transformar los resultados técnicos de un análisis dinámico de malware en informes PDF estructurados y comprensibles, facilitando la interpretación de la información obtenida.

La librería se integra como un módulo de reporting de CAPE Sandbox, ejecutándose una vez finalizado el análisis de una muestra. A partir de los resultados generados por CAPE, procesa la información, utiliza modelos de lenguaje (LLM) para elaborar su interpretación y genera un documento con los resultados más relevantes.

Desde el principio, diseñé la solución con un enfoque modular, configurable y reutilizable, separando las distintas etapas del procesamiento para facilitar su mantenimiento y permitir futuras integraciones con otras herramientas de análisis de malware y proveedores de modelos de lenguaje.

Arquitectura y funcionamiento

El sistema sigue un pipeline de procesamiento dividido en varias etapas independientes:

  1. Preprocesamiento: recibe los resultados JSON de CAPE Sandbox, selecciona la información relevante, normaliza los datos y reduce el volumen de información que debe procesar el modelo de lenguaje.

  2. Enriquecimiento de datos: integra información adicional de servicios como VirusTotal y procesa elementos relevantes del análisis, incluyendo indicadores de compromiso, firmas de detección y comportamiento de los procesos.

  3. Procesamiento mediante LLM: utiliza la API de OpenAI para interpretar la información recopilada y generar contenido estructurado, como resúmenes del análisis, características del malware y recomendaciones iniciales.

  4. Postprocesamiento: valida, limpia y normaliza la respuesta del modelo, corrigiendo posibles inconsistencias y adaptando los datos al formato esperado por el generador de documentos.

  5. Generación del informe: utiliza ReportLab para construir automáticamente un PDF organizado en secciones, tablas y elementos visuales.

La librería también incorpora funcionalidades específicas para procesar imágenes y representar gráficamente los árboles de procesos obtenidos durante el análisis.

Su arquitectura separa claramente el tratamiento de los datos, la interacción con el LLM y la presentación de resultados, evitando que estas responsabilidades dependan directamente unas de otras.

Desarrollo e implementación

Uno de los principales objetivos durante el desarrollo fue conseguir que la solución pudiera evolucionar sin necesidad de modificar continuamente su lógica interna.

Para ello, implementé diferentes mecanismos:

  • Arquitectura modular: separación del código en paquetes independientes para preprocesamiento, integración con LLM, postprocesamiento y generación de PDF.

  • Configuración flexible: utilización de archivos YAML, perfiles de ejecución y variables de entorno para gestionar rutas, parámetros, modelos, límites de procesamiento y credenciales.

  • Tratamiento de datos de malware: extracción y normalización de información como familias de malware, indicadores de compromiso (IoC), firmas, hashes y procesos ejecutados.

  • Validación de resultados: utilización de esquemas de datos y reglas configurables de limpieza para mejorar la consistencia de la información producida por el LLM.

  • Enriquecimiento con VirusTotal: incorporación de información complementaria para contextualizar los resultados obtenidos durante el análisis dinámico.

  • Generación de documentos: construcción de informes mediante ReportLab, incluyendo resúmenes ejecutivos, información de archivos, indicadores de compromiso, firmas y representaciones visuales.

Este diseño permite adaptar distintas partes del procesamiento y facilita la futura incorporación de otros formatos de análisis o proveedores de modelos de lenguaje, sin tener que rediseñar completamente la librería.

Calidad del código y documentación

El proyecto se desarrolló como un paquete Python gestionado mediante Poetry, acompañado de documentación técnica generada con Sphinx.

Además, configuré un workflow de integración continua mediante GitHub Actions, que automatiza distintas comprobaciones al realizar cambios en el repositorio:

  • Análisis estático con Ruff.
  • Comprobación del formato con Black.
  • Ejecución de pruebas automatizadas con pytest.
  • Compilación y validación de la documentación Sphinx.

Estas herramientas permiten mantener una estructura de desarrollo organizada y facilitan el mantenimiento y la evolución del proyecto.

Resultados

El resultado fue una librería Python integrable en CAPE Sandbox, capaz de automatizar el proceso de transformación de resultados técnicos de malware en informes PDF estructurados y legibles.

Los informes pueden incluir información sobre la muestra analizada, clasificación y familia de malware, firmas detectadas, indicadores de compromiso, comportamiento observado, árboles de procesos y recomendaciones iniciales.

Portada de ejemplo de informe PDF generado automáticamente

Además de generar el documento final, la librería devuelve información estructurada sobre los resultados procesados, facilitando su integración con otros componentes de CiberLab.

El proyecto me permitió profundizar en el desarrollo de librerías Python, procesamiento de datos de ciberseguridad, integración de modelos de lenguaje y automatización de pipelines, prestando especial atención a la modularidad y la mantenibilidad del código.

Código fuente y documentación

El proyecto es de código abierto y dispone de documentación técnica pública, donde se describen sus módulos, configuración y principales funcionalidades.