Cyber Triage 3.13 发布,新增功能概览

Cyber Triage 3.13 for Windows - 数字取证和事件响应

Digital Forensics Specialized For Incident Response

请访问原文链接:https://sysin.org/blog/cybertriage-3/ 查看最新版。原创作品,转载请保留出处。

作者主页:sysin.org


唯一专门用于事件响应的数字取证工具
快速、准确和简单地完成入侵调查

sysin

新增功能

3.13 Adds MemProcFS and Extends the S3 and Recorded Future Sandbox Integrations

2024 年 12 月 18 日

我们今年的节日礼物是 3.13 版本中出现的一些经常请求的功能:

  • MemProcFS 支持 Windows 10 和 11 映像
  • 扩展了云存储集成,可以更轻松地访问 S3 数据
  • 更多沙盒恶意软件扫描详细信息

您可以在我们的发行说明中找到所有功能,但本篇博客文章将介绍这三个新功能。

MemProcFS

MemProcFS 是一个开源项目,允许您将内存映像视为挂载的文件系统。它还对更现代的 Windows 版本提供了很好的支持。

Cyber Triage 现在允许您选择使用 MemProcFS 或 Volatility 2(我们无法集成 Volatility 3)。无论您采用何种方法,它都是相同的用户体验。现在,系统只会提示您使用哪个:

Cyber Triage SYSIN

当您使用此方法时:

  • Cyber Triage 将调用 MemProcFS 来分析映像并提取进程和网络连接等项目。
  • 工件将在自动分析管道中运行,并分配分数。这将包括来自 MemProcFS 的 “FindEvil” 模块。
  • 您可以查看结果并制作最终报告。

对于那些好奇的人,我们实际上并没有挂载映像。我们使用 MemProcFS 作为库来访问内容,这些内容被保存为 ZIP 文件。该包装器在此处发布。

扩展的 S3 / Azure 集成

Cyber Triage Collector 多年来一直能够上传到 S3,现在主 Cyber Triage 应用程序可以直接访问该上传的数据。

这样可以更快地导入从现场发送的数据,并且不必转到 AWS 或类似控制台。

您需要做的就是:

  • 配置一个或多个包含凭据和存储桶信息的 “Cloud Storage Profiles”。
  • 当您要导入文件时,请选择其中一个配置文件,它将显示该远程存储桶中的内容。

Cyber Triage SYSIN

作为这项工作的一部分,我们正式确定了拥有两种类型的云存储角色的概念:

  • Upload:此角色只能写入存储桶,不能读取。这将由 Collector 使用并发送到可能遭到入侵的主机。
  • Manager:此角色将用于读取存储桶内容。这将保留在受信任的 Cyber Triage 计算机上。

您可以在设置配置文件时指定这两个选项:

Cyber Triage SYSIN

我们还扩展了用户手册,提供了有关如何配置 AWS 环境以最大限度地减少数据泄露的分步说明。AWS S3 通常是我们的用户第一次接触到 AWS 的复杂性。

详细记录的 Future Sandbox 结果

另一个流行的功能是将文件上传到 Recorded Future 沙箱的能力。我们过去会为您提供发现内容的摘要报告,但这有时无法显示某些人想要的所有详细信息。

您现在可以从 Sandbox 访问完整报告。

要使用此功能:

  • 右键单击文件并选择上传到 Recorded Future

Cyber Triage SYSIN

  • 几分钟后,转到控制面板并选择查看 Recorded Future 结果。
  • 顶部有一个新的 “Details” 选项卡,可为您提供完整的报告。以下是恶意软件使用的反混淆 Powershell 示例。

Cyber Triage SYSIN

下载地址

Cyber Triage 3.13 Release - Adds MemProcFS and Extends the S3 and Recorded Future Sandbox Integrations
December 18, 2024

想要开始学习和研究,请访问:https://sysin.org/blog/cybertriage-3/

更多:HTTP 协议与安全

基于数据驱动的 Koopman 算子的递归神经网络模型线性化,用于纳米定位系统的预测控制研究(Matlab代码实现)内容概要:本文围绕“基于数据驱动的Koopman算子的递归神经网络模型线性化”展开,旨在研究纳米定位系统的预测控制方法。通过结合数据驱动技术与Koopman算子理论,将非线性系统动态近似为高维线性系统,进而利用递归神经网络(RNN)建模并实现系统行为的精确预测。文中详细阐述了模型构建流程、线性化策略及在预测控制中的集成应用,并提供了完整的Matlab代码实现,便于科研人员复现实验、优化算法并拓展至其他精密控制系统。该方法有效提升了纳米级定位系统的控制精度与动态响应性能。; 适合人群:具备自动控制、机器学习或信号处理背景,熟悉Matlab编程,从事精密仪器控制、智能制造或先进控制算法研究的研究生、科研人员及工程技术人员。; 使用场景及目标:①实现非线性动态系统的数据驱动线性化建模;②提升纳米定位平台的轨迹跟踪与预测控制性能;③为高精度控制系统提供可复现的Koopman-RNN融合解决方案; 阅读建议:建议结合Matlab代码逐段理解算法实现细节,重点关注Koopman观测矩阵构造、RNN训练流程与模型预测控制器(MPC)的集成方式,鼓励在实际硬件平台上验证并调整参数以适应具体应用场景。
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
红包 添加红包
表情包 插入表情
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值