GuardDutyComunidade
Nível de dificuldade: Intermediário (3 de 5)
GuardDuty e CloudTrail viram linha de frente contra bots de hacking autônomos na AWS
Um agente autônomo de ataque (agentic hack bot, no termo do artigo) é um modelo de linguagem conectado a ferramentas ofensivas por um harness, rodando em loop: cada ação nasce da resposta da ação anterior. Isso o diferencia de um scanner com script fixo, que repete a mesma requisição não importa o que o alvo responda, e de um operador humano, que também se adapta, mas em velocidade humana.
Um guia publicado na comunidade AWS Community Builders detalha como observar esse tipo de tráfego usando serviços da AWS, e o recorte que interessa a quem desenha e opera conta AWS é claro: a decisão de arquitetura hoje precisa assumir que o tempo entre a primeira sondagem e a escalada de privilégio pode ser de segundos, não de horas.
A mudança não é só de velocidade. Um único operador agora roda vários agentes contra vários alvos ao mesmo tempo, então passar despercebido deixou de ser proteção. E bloquear uma técnica não encerra a tentativa: o agente lê o erro e tenta outra coisa. A boa notícia, segundo o artigo, é que agentes são barulhentos, cometem erros que um humano experiente não cometeria e às vezes inventam coisas que não existem. Cada um desses traços é evidência que dá para coletar e medir.
Três janelas de observação, um problema de correlação
O guia propõe olhar o bot a partir de três pontos: a borda (onde ele sonda aplicações expostas), um decoy (onde dá para observar uma sessão completa sem risco à produção) e dentro da conta (onde um agente com credenciais roubadas aparece no CloudTrail). Nenhum log isolado da AWS tem os três dados que importam por requisição (quem enviou, o que pediu e o que você respondeu), então a coleta precisa juntar borda, origem e aplicação pelo request ID.
Para habilitar o logging completo do AWS WAF, que é pré-requisito para qualquer análise de sessão (o painel de amostragem do console não basta):
aws wafv2 put-logging-configuration --region us-east-1 --logging-configuration '{
"ResourceArn": "arn:aws:wafv2:us-east-1:111122223333:global/webacl/edge-acl/EXAMPLE-ID",
"LogDestinationConfigs": ["arn:aws:s3:::aws-waf-logs-security-111122223333"],
"RedactedFields": [
{"SingleHeader": {"Name": "authorization"}},
{"SingleHeader": {"Name": "cookie"}}
]
}'O nome do bucket de destino precisa começar com aws-waf-logs-. O artigo recomenda ainda ativar o Bot Control com as regras em modo count, só para ganhar rótulos em cada requisição sem mudar a experiência do usuário. Desde fevereiro de 2026 o AWS WAF ganhou um painel de atividade de IA e o Bot Control passou a reconhecer mais de 650 bots e agentes, o que dá uma visão rápida do tráfego de IA declarado antes de entrar nos logs brutos.
Onde o GuardDuty entra
Para quem já opera GuardDuty em produção, o ponto central do artigo é que os findings de AI Protection alimentam uma sequência de ataque sobre IAM, mas não criam uma sozinhos, e só existem se o plano estiver habilitado na conta. Isso muda o que esperar da ferramenta: GuardDuty sinaliza uma peça da cadeia, não o quadro completo. O guia complementa com uma consulta direta ao CloudTrail (via Security Lake) procurando por exploração em velocidade de máquina: um único principal chamando dezenas de operações, em várias regiões, em poucos minutos.
SELECT actor.user.uid AS principal, src_endpoint.ip AS ip,
date_trunc('minute', time_dt) AS minute,
count(*) AS calls,
count(DISTINCT api.service.name) AS services,
count(DISTINCT cloud.region) AS regions
FROM amazon_security_lake_table_eu_west_1_cloud_trail_mgmt_2_0
WHERE time_dt > current_timestamp - interval '1' day
GROUP BY 1, 2, 3
HAVING count(*) >= 60 AND count(DISTINCT api.service.name) >= 6
ORDER BY calls DESC;Exclua por papel as ferramentas de inventário e postura que você já conhece. O que sobra é ou um agente ou um script, e os dois merecem investigação. O artigo lembra ainda um risco que o arquiteto de soluções costuma esquecer: a própria conta AWS pode virar infraestrutura do atacante, hospedando o harness ou um modelo local. Os rastros ficam em RunInstances para famílias de instância GPU, workloads novos em ECS ou EKS puxando imagens desconhecidas, pedidos de aumento de quota e chamadas ao Amazon Bedrock partindo de um principal que nunca usou o serviço antes.
Decoys: ver a sessão inteira sem arriscar produção
Um decoy numa conta AWS dedicada, isolada por unidade organizacional própria e sem peering com o restante do ambiente, permite capturar a cadeia de decisão completa de um agente, porque tudo que ele encontra ali foi colocado de propósito. O artigo recomenda vários tipos de canário, cada um com um token único. A instrução embutida num comentário HTML é o teste mais específico para um modelo de linguagem: um scanner ignora prosa e um humano reconhece a armadilha, mas um agente pode seguir a instrução.
Para credenciais-isca, a regra é simples: toda credencial de decoy tem negação explícita em todas as ações, testada antes de ir ao ar.
aws iam put-user-policy --user-name svc-backup-legacy --policy-name DenyAll \
--policy-document '{"Version":"2012-10-17","Statement":[{"Effect":"Deny","Action":"*","Resource":"*"}]}'Uma regra do EventBridge que casa o Access Key ID dispara alerta no primeiro uso, mesmo que a chamada seja negada: a primeira ação de um agente costuma ser GetCallerIdentity, e ela fica registrada mesmo quando falha. O artigo é enfático quanto a limites: nada de dado real, de domínio real ou de caminho de rede real no decoy, e o próprio SOC precisa saber que ele existe, para não tratar os alertas como incidente de produção.
Bedrock como leitor, não como ator
Para as sessões com maior pontuação de risco, o pipeline sugerido usa uma consulta Athena agendada para selecionar sessões suspeitas, uma função Lambda que monta um resumo JSON compacto e o Amazon Bedrock, via API Converse, para classificar a sessão em scripted_scanner, agentic, human ou unclear. A saída é tratada como recomendação a um analista humano, não como veredito final.
Como o conteúdo da sessão foi escrito por quem atacou, e pode ter sido escrito justamente para um modelo ler, o desenho de segurança do classificador importa tanto quanto o modelo em si:
- o papel do Lambda que invoca o Bedrock só pode chamar um modelo e gravar um resultado, sem outras permissões;
- o conteúdo da sessão entra delimitado e marcado explicitamente como dado não confiável;
- a resposta só é aceita se tiver exatamente as chaves e os rótulos esperados;
- um Amazon Bedrock Guardrail com filtro de prompt-attack funciona como segunda checagem;
- cookies, tokens e valores de canário são removidos do resumo antes de sair da conta do decoy.
O artigo também registra um limite prático: durante a resposta ao incidente da Hugging Face, modelos comerciais se recusaram a analisar o código do atacante, e a equipe recorreu a um modelo de peso aberto hospedado localmente, segundo relato da Cloud Security Alliance. Para quem desenha esse pipeline em produção, isso significa configurar um modelo alternativo desde o início, e não descobrir a recusa no meio de um incidente real.
O que muda na conta que você já opera
Nenhum controle do artigo é novo: SCP restritiva, logging completo, decoy isolado, menor privilégio nas credenciais. O que muda é a urgência de automatizar a primeira contenção, porque se uma intrusão termina em minutos, o primeiro passo de resposta não pode esperar uma pessoa ler um ticket. O guia recomenda rotear findings de sequência de ataque e alertas de credencial-isca para um fluxo automatizado que capture evidência e aplique contenção reversível antes de acionar o analista humano.
Vale a ressalva que o próprio material faz: os traços comportamentais descritos (variação de gaps entre requisições, múltiplos user agents numa mesma sessão, uso de canário) são hipóteses tiradas de incidentes públicos, não assinaturas prontas. Agentes legítimos de IA também leem respostas e se adaptam, e atacantes que leem este mesmo tipo de artigo podem aleatorizar tempos e falsificar fingerprints. Os limiares das consultas Athena do artigo são ponto de partida para calibrar com dados do seu próprio decoy, não números definitivos para colar em produção.
Serviços neste textoGuardDuty
Leve para a sua IA
Decida com o seu assistente, com o contexto deste texto já montado.
1. O que você quer saber
Ver o prompt
Li no AWS Hub: "GuardDuty e CloudTrail viram linha de frente contra bots de hacking autônomos na AWS" (https://awshub.com.br/comunidade/guardduty-e-cloudtrail-viram-linha-de-frente-contra-bots-de-hacking-autonomos-na). Resumo: Um guia de um AWS Community Builder mostra como juntar WAF, decoys, GuardDuty e Bedrock para reconhecer um agente autônomo de ataque antes que ele termine a invasão. Serviços: GuardDuty Minha stack: [descreva em uma linha: serviços, linguagem, volume, região] Isso muda alguma coisa na minha arquitetura? O que eu faria diferente a partir de amanhã?