Kit de herramientas Argus para reconocimiento de red

# Argus: Kit de Herramientas Integral para Reconocimiento de Redes y Análisis de Seguridad

Argus es una herramienta CLI basada en Python para la recopilación automatizada de datos en redes, aplicaciones web y medidas de seguridad. Combina módulos para OSINT, análisis de infraestructura y detección de vulnerabilidades. La instalación es sencilla: clona el repositorio, instala las dependencias con pip install -r requirements.txt y ejecuta python argus.py. La herramienta va dirigida a especialistas en seguridad de nivel medio/senior, entregando datos sin necesidad de parseo manual de múltiples fuentes.

El menú se divide en tres categorías: red/infraestructura, aplicaciones web, seguridad/amenazas. Cada módulo solicita un objetivo (dominio/IP) y genera un informe estructurado.

Módulos de Infraestructura de Red

Estos módulos se centran en fingerprinting básico y reconocimiento:

• Hosts y subdominios relacionados: identificación de dominios asociados.
• Registros DNS (A, AAAA, MX, TXT): volcado completo con intento de transferencia de zona.
• WHOIS e información de dominio: registrador, fechas, estado.
• Geolocalización de IP y propietario.
• Escaneo de puertos y traceroute.
• Análisis SSL/TLS: cadena de certificados, caducidad, suites de cifrado compatibles, simulación de handshake TLS.
• Validación DNSSEC y DoH (DNS over HTTPS).
• Soporte para HTTP/2, HTTP/3.

Ejemplo: El módulo de información del servidor extrae SO, servidor web y frameworks mediante banner grabbing y reconocimiento pasivo.

Análisis de Aplicaciones Web

Módulos para mapear y auditar estructuras web:

• Detección de CMS (WordPress, Joomla, etc.).
• Reconocimiento de pila tecnológica: frameworks, librerías, integraciones de terceros.
• Bruteforce de directorios/archivos y descubrimiento de contenido.
• Análisis de sitemap, robots.txt.
• Enlaces rotos, cadenas de redirección.
• Escaneo de seguridad de cookies.
• Recolección de correos electrónicos del dominio.
• Métricas de rendimiento: TTFB, puntuaciones similares a Lighthouse.
• Escaneo de presencia en redes sociales.
• Historial de archivos (Wayback Machine).

Estas herramientas construyen un mapa del sitio, revelando endpoints ocultos y contenido legado. Útiles para bug bounty y definición de alcance en pentest.

Módulos de Seguridad e Inteligencia de Amenazas

Enfoque en mecanismos de seguridad y detección de fugas:

• Encabezados de seguridad HTTP (HSTS, CSP, etc.).
• Detección de WAF/firewall.
• Fugas de datos: archivos .env, monitoreo de Pastebin.
• Escaneo de malware/phishing vía VirusTotal.
• Calificación SSL Labs, certificate pinning.
• Verificación de cumplimiento GDPR.
• Análisis de security.txt.
• Consultas Shodan/Censys para activos expuestos.
• Vulnerabilidad de toma de control de subdominios.

| Categoría | Módulos Clave | Salida |

|-----------|----------------|--------|

| Red | Escaneo de puertos, Traceroute | Puertos abiertos, latencia |

| Web | Búsqueda de directorios, Pila tecnológica | Estructura, versiones |

| Seguridad | Encabezados, Fugas | Vulnerabilidades, cumplimiento |

Uso Práctico

Lanzamiento: python argus.py → selecciona módulo → ingresa objetivo. Resultados en terminal, con opciones de exportación.

Ejemplos:

• Recolección de correos: escanea fuentes públicas, genera direcciones únicas.
• Encabezados HTTP: desglose detallado, marca encabezados faltantes.
• Análisis de sitemap: extrae todas las URLs, filtra parámetros.
• Escaneo social: encuentra perfiles en Twitter, LinkedIn, etc.
• Enumeración de subdominios: combina métodos pasivos/activos.

Para automatización, intégralo en scripts mediante subprocess o estudia el código fuente en GitHub.

Puntos clave:

• Argus agrega datos de más de 50 fuentes (Shodan, Censys, VirusTotal) sin claves API en la versión base.
• Soporte IPv6, DoH/DoT para evasión.
• Limitación de tasa integrada que minimiza bloqueos.
• Uso autorizado únicamente: cumple con los ToS del objetivo y leyes locales.
• Código abierto: haz fork para módulos personalizados.

La herramienta acelera la fase de reconocimiento 3–5 veces en comparación con herramientas manuales, manteniendo la precisión.

— Editorial Team