Magnet Axiom 9.2.1 新增功能概览 - 数字取证与分析

Magnet Axiom 9.2.1 新增功能概览 - 数字取证与分析

Magnet Axiom 9 Windows x64 Multilingual - 数字取证与分析

Digital Forensic Software

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

作者主页:sysin.org


Magnet Forensics Logo

Magnet Axiom - 恢复并分析一个案件中的证据

形象标识

检查来自移动、云、计算机和车辆来源的数字证据,以及第三方提取的数据,所有这些都在一个案例文件中。使用强大且直观的分析工具快速自动显示案件相关证据。

Magnet Axiom 9.2.1 新增功能

Magnet Axiom 发行说明 9.2.1.44383

发布日期:2025 年 5 月 27 日

升级说明:此更新修复了从 Axiom Examine 执行“Upload to Review SaaS”流程时的连接问题。

推荐的取证项目(Featured artifacts)

Microsoft Teams-icon
Threema-icon
Signal-icon
Facebook Messenger-icon
LINE-icon

新增取证项目(New Artifacts)

  • Microsoft Teams Conversations | Android:新增对 Microsoft Teams Conversations 的支持。
  • Microsoft Teams Messages - Android | Android:新增对 Microsoft Teams Messages 的支持。
  • Threema Messages | Android:新增对 Threema Messages 的支持。

更新的取证项目(Updated Artifacts)

  • Android SMS/MMS | Android:更新 SMS/MMS 解析以支持 Android 15。
  • Facebook Messenger Messages | Android:更新以在 Axiom Examine 聊天线程中正确识别系统消息。
  • LINE Messages | iOS:更新以解析群聊并识别系统消息。
  • Private Photo Vault | Android:更新媒体和缩略图的解密功能。
  • Signal Conversations - Android | Android:更新以支持 Signal 7.39.5。
  • Telegram | Android:更新解析以支持 Telegram 版本 11.9.1。

Processing

  • 改进了对 Expert Witness File(EWF)的解析以适配不同的文件格式。

Examining

  • 从 Axiom Examine 执行“Upload to Review SaaS”流程现已更新,解决了连接问题。
  • 现在可以在 Axiom Examine 的“Manage media categories”中定义 Magnet Griffeye Organization Profile。

错误修复(Bug fixes)

  • Axiom Process 之前可能无法处理平面(flat)VMDK 镜像。-ENGN-10999
  • 在选择“Search archives”或“Search mobile backups”时,Dynamic App Finder 的结果此前可能未被包含。-ENGN-13677
  • Apple warrant return 的日期值此前可能错误计算了夏令时(DST)。-CLA-173
  • 若在解析过程中遇到未处理的异常,某些图像取证项目可能会被漏检。-CARS-1312
  • Facebook Messenger 通话的 Call Duration 值此前可能计算错误。-MARS-3036
  • 如果在 thumbcahe_256.db 中遇到文件名长度为 0 的情况,Thumbcache 图像此前可能解析失败。-CARS-371

下载地址

Magnet Axiom 9 for Windows x64 Multilingual

更多:HTTP 协议与安全

【电能质量扰动】基于ML和DWT的电能质量扰动分类方法研究(Matlab实现)内容概要:本文研究了一种基于机器学习(ML)和离散小波变换(DWT)的电能质量扰动分类方法,并提供了Matlab实现方案。首先利用DWT对电能质量信号进行多尺度分解,提取信号的时频域特征,有效捕捉电压暂降、暂升、中断、谐波、闪变等常见扰动的关键信息;随后结合机器学习分类器(如SVM、BP神经网络等)对提取的特征进行训练分类,实现对不同类型扰动的自动识别准确区分。该方法充分发挥DWT在信号去噪特征提取方面的优势,结合ML强大的模式识别能力,提升了分类精度鲁棒性,具有较强的实用价值。; 适合人群:电气工程、自动化、电力系统及其自动化等相关专业的研究生、科研人员及从事电能质量监测分析的工程技术人员;具备一定的信号处理基础和Matlab编程能力者更佳。; 使用场景及目标:①应用于智能电网中的电能质量在线监测系统,实现扰动类型的自动识别;②作为高校或科研机构在信号处理、模式识别、电力系统分析等课程的教学案例或科研实验平台;③目标是提高电能质量扰动分类的准确性效率,为后续的电能治理设备保护提供决策依据。; 阅读建议:建议读者结合Matlab代码深入理解DWT的实现过程特征提取步骤,重点关注小波基选择、分解层数设定及特征向量构造对分类性能的影响,并尝试对比不同机器学习模型的分类效果,以全面掌握该方法的核心技术要点。
评论
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