اهمیت سرویس‌های Threat Intelligence در شناسایی تهدیدات اسکریپتی

در سال‌های اخیر، بدافزارهای اسکریپتی مانند PowerShell و VBScript به یکی از رایج‌ترین ابزارهای مهاجمان سایبری تبدیل شده‌اند. این نوع تهدیدات اغلب با تکنیک‌های پیچیده پنهان‌سازی اجرا می‌شوند و شناسایی آن‌ها تنها با ابزارهای سنتی امنیتی ممکن نیست. تصور کنید تیم امنیتی یک سازمان در لاگ‌های سیستم، اجرای یک فرمان PowerShell رمزگذاری‌شده را مشاهده کند. پس از رمزگشایی، مشخص می‌شود که فرمان قصد دارد اسکریپتی را از یک سایت ناشناس دانلود کند. با وجود این شواهد، هنوز پرسش‌های مهمی بی‌پاسخ می‌مانند: آیا این دامنه قبلاً در حملات استفاده شده است؟ آیا این رفتار نشانه یک کمپین گسترده است؟ آیا سیستم‌های دیگر نیز در معرض خطر قرار گرفته‌اند؟

در چنین شرایطی، نقش سرویس‌های Threat Intelligence مانند Google Threat Intelligence آشکار می‌شود. با جستجوی ساده دامنه یا بخشی از کد، این سرویس می‌تواند اطلاعات دقیقی از سوابق حملات مرتبط، زیرساخت‌های مهاجم، نسخه‌های مشابه بدافزار و دامنه‌های جایگزین ارائه دهد. این سطح از دید، امکان تحلیل سریع، دقیق و مبتنی بر داده را فراهم می‌کند و زمان تشخیص و پاسخ به حادثه را به‌طور چشمگیری کاهش می‌دهد.

بنابراین، استفاده از یک سرویس TI تنها یک گزینه تکمیلی نیست؛ بلکه بخشی حیاتی از راهبرد امنیت سایبری هر سازمان است. در برابر تهدیداتی که هر روز پیچیده‌تر می‌شوند، داشتن اطلاعات لحظه‌ای و معتبر از چشم‌انداز تهدیدات جهانی، تنها راه باقی‌مانده برای محافظت مؤثر از شبکه‌ها و داده‌هاست.

Solution to approach realtime and accurate detection for new attack

موضوع تز کارشناسی ارشد

با توجه به قطعی اینترنت مجبور شدم کمک بیشتری به دانشجویانم در مقطع کارشناسی ارشد داشته باشم . در خلال این موارد ، موضوعات مختلفی برای تز رو بررسی کردیم . اونهایی که دانشجوها بنا به دلیلی انتخاب نکردن رو اینجا میگذارم

تشخیص حملات پیشرفته پایدار (APT) با استفاده از مدل‌سازی گراف رفتاری و ترکیب Graph Neural Networks و مدل‌های زبانی بزرگ



در این پژوهش، هدف توسعه یک سیستم پیشرفته برای شناسایی حملات پیچیده و APT با ترکیب تحلیل گراف و مدل‌های زبانی بزرگ است. سامانه‌های امنیتی سنتی معمولاً رویدادها را جداگانه تحلیل می‌کنند و به همین دلیل در برابر حملاتی که به‌صورت تدریجی، پنهان و بدون شاخص‌های واضح انجام می‌شوند ناکارآمد هستند. در این تحقیق، به‌جای تحلیل Eventهای مستقل، رفتار مهاجم به‌صورت گراف رفتاری (Behavior Graph) مدل‌سازی می‌شود؛ گرافی که در آن رابطه میان پردازش‌ها، فایل‌ها، جریان‌های شبکه و فعالیت کاربران به‌صورت ساختاری نمایش داده می‌شود. سپس با استفاده از شبکه‌های عصبی گرافی (GNN) الگوهای پنهان استخراج می‌گردد و مدل قادر می‌شود رفتارهای مشکوک و مشابه حملات Zero-Day را تشخیص دهد. در ادامه، یک مدل زبانی بزرگ (LLM) خروجی تحلیل گراف را تفسیر کرده و تاکتیک‌های احتمالی مهاجم را بر اساس MITRE ATT&CK مشخص می‌کند و حتی مسیر احتمالی ادامه حمله را پیش‌بینی می‌نماید. نوآوری این پژوهش در ترکیب هم‌زمان GNN و LLM و تمرکز بر «تحلیل رفتار» به‌جای «رویداد» است، که آن را در سطح تحقیقات دانشگاه‌های عالی قرار می‌دهد. این مدل می‌تواند مبنای سیستم‌های هوشمند آینده در حوزه Threat Hunting و Forensics باشد.

وقتی نقص در ابزار باج افزاری آنرا به ابزاری برای Wipe کردن تبدیل میکند

Threat hunters are warning that the cybercriminal operation known as VECT 2.0 acts more like a wiper than a ransomware due to a critical flaw in its encryption implementation across Windows, Linux, and ESXi variants that renders recovery impossible even for the threat actors.

https://thehackernews.com/2026/04/vect-20-ransomware-irreversibly.html?m=1

#تجربه
ردپای فارنزیک

HKCU\Software\Microsoft\Windows\CurrentVersion\Explorer\RecentDocs


نام فایل مخرب که کاربر باز کرده
زمان تقریبی تعامل کاربر با فایل
مسیر فایل دانلود شده

ابزارهای EDR چگونه قلب ویندوز را پایش می‌کنند؟

رجیستری ویندوز همواره یکی از جذاب‌ترین اهداف برای مهاجمان سایبری بوده است. در گذشته، بدافزارهای پیشرفته‌ای مانند Poweliks با استفاده از تکنیک‌های بدون فایل (Fileless) و ذخیره کدهای مخرب در قالب کاراکترهای نامرئی (مثل Null-Byte) در رجیستری، از چشم آنتی‌ویروس‌های سنتی پنهان می‌ماندند. اما امروزه با تکامل سیستم‌های تشخیص و پاسخ نقطه پایانی (EDR)، مخفی شدن در این بخش از سیستم‌عامل به شدت دشوار شده است.

سیستم‌های EDR برخلاف آنتی‌ویروس‌های قدیمی که عمدتاً فایل‌های روی دیسک را اسکن می‌کردند، رویکردی پویا و مبتنی بر رفتار دارند. آن‌ها رجیستری را از طریق سه مکانیزم اصلی به یک منطقه تحت نظارت شدید تبدیل کرده‌اند:

مهم‌ترین ابزار در این معماری، استفاده از توابع کال بک رجیستری ویندوز (Kernel Registry Callbacks) است. نرم‌افزارهای EDR با نصب یک درایور در عمیق‌ترین لایه سیستم‌عامل (Kernel)، به رابطی مانند CmRegisterCallback متصل می‌شوند. این مکانیزم ویندوز را موظف می‌کند پیش از انجام هرگونه عملیات خواندن، نوشتن یا حذف در رجیستری، آن را به EDR گزارش دهد تا در صورت مخرب بودن، عملیات مسدود شود.

در کنار این، EDRها از سیستم ردیابی رویدادهای ویندوز (ETW) نیز بهره می‌برند. ETW مانند یک شبکه دوربین مداربسته پرسرعت عمل می‌کند و جریانی از داده‌ها را در اختیار EDR قرار می‌دهد تا مشخص شود دقیقاً چه پروسه‌ای در چه زمانی تغییری ایجاد کرده است. تکنیک مکمل دیگر، هوک کردن رابط‌های برنامه‌نویسی (API Hooking) برای شنود توابع دسترسی به رجیستری در حافظه است.

در طول این وارسی‌های دقیق، EDRها به دنبال الگوهای مشکوک هستند. تلاش برای تغییر در مسیرهای اجرای خودکار، ذخیره اسکریپت‌های حجیم به جای داده‌های استاندارد در مقادیر رجیستری، زنجیره‌های اجرایی غیرمنطقی (مثلاً تلاش نرم‌افزار Word برای ساخت کلید سیستمی) و استفاده از کاراکترهای غیرمجاز، بلافاصله زنگ خطر را به صدا درمی‌آورند. با این مکانیزم‌های چندلایه، رجیستری ویندوز دیگر مخفیگاه امنی برای تهدیدات سایبری نیست.

بعدی از حاکمیت امنیت اطلاعات

در بسیاری از برنامه‌های حاکمیت امنیت اطلاعات، تمرکز اصلی بر سیاست‌ها، کنترل‌های دسترسی و ابزارهای امنیتی است؛ اما یکی از مؤلفه‌های حیاتی که اغلب کمتر مورد توجه قرار می‌گیرد، ردیابی منشأ و مسیر حرکت داده‌ها (Data Lineage) است. از نگاه یک متخصص باتجربه در حوزه امنیت داده، فهم دقیق اینکه یک داده از کجا ایجاد شده، از چه مسیرهایی عبور کرده، چه تغییراتی روی آن اعمال شده و در چه نقاطی مورد استفاده قرار گرفته، برای مدیریت ریسک اطلاعاتی کاملاً ضروری است.

در سازمان‌های امروزی، داده‌ها به‌صورت مداوم بین پایگاه‌های داده، سرویس‌های ابری، سیستم‌های تحلیلی و برنامه‌های کاربردی در حال جابه‌جایی هستند. بدون وجود دید شفاف نسبت به چرخه حیات داده، تیم‌های امنیتی عملاً در برابر رخدادهای امنیتی دید محدودی دارند. زمانی که یک نشت داده یا دسترسی غیرمجاز رخ می‌دهد، اولین سؤال این است: این داده دقیقاً از کجا آمده و در چه سیستم‌هایی وجود دارد؟ اگر پاسخ به این سؤال مشخص نباشد، فرآیند واکنش به حادثه به‌شدت کند و پرهزینه خواهد شد.

مقوله Data Lineage این امکان را فراهم می‌کند که سازمان‌ها نقشه‌ای دقیق از جریان داده‌های حساس خود داشته باشند. این نقشه نه‌تنها به شناسایی سریع منبع مشکل در زمان بروز حادثه کمک می‌کند، بلکه در پیشگیری از نشت اطلاعات نیز نقش مهمی دارد. با شناخت نقاط تماس داده، می‌توان کنترل‌های امنیتی را در محل‌های درست اعمال کرد و مسیرهای پرریسک را محدود ساخت.

در نهایت، سازمان‌هایی که Data Lineage را به‌عنوان بخشی از حاکمیت امنیت داده در نظر می‌گیرند، درک عمیق‌تری از دارایی‌های اطلاعاتی خود خواهند داشت. این رویکرد نه‌تنها سطح امنیت را افزایش می‌دهد، بلکه به تصمیم‌گیری آگاهانه‌تر در مدیریت داده نیز کمک می‌کند.

#استخدام

کارشناس امنیت شبکه

تسلط بر فورتی گیت و R&S

ارسال رزومه hr@haumoun.com


لطفا ارسال کنید تا به دوستان بیشتری برسد

استویج و مجازی سازی -- فوق ارشد

دریافتی: 120 م خالص

hr@haumoun.com

یک کتابچه عملیاتی برای ساخت هوش مصنوعی عامل‌گرا (Agentic AI) در حوزه امنیت سایبری است. این راهنما با کنار گذاشتن فریم‌ورک‌های قدیمی‌تر مانند LangChain، منحصراً بر استفاده از پایتون، Claude Agent SDK و پروتکل MCP تمرکز دارد.

هدف اصلی سند، آموزش توسعه ایجنت‌های هوشمند برای اجرای وظایف واقعی امنیتی مانند ارزیابی آسیب‌پذیری‌ها، تریاژ تهدیدات و پاسخ به حوادث (IR) است. علاوه بر توسعه، این کتابچه اهمیت ویژه‌ای به امنیتِ خود ایجنت‌ها داده و نحوه مقابله با حملات اختصاصی هوش مصنوعی نظیر Prompt Injection و مسموم‌سازی ابزارها را آموزش می‌دهد.

تبعات لو رفتن کد منبع Trellix

لو رفتن کد منبع یکی از شرکت‌های امنیتی مانند Trellix می‌تواند پیامدهای جدی و بحرانی برای امنیت سایبری و اعتبار شرکت داشته باشد. در زیر به برخی از تبعات اصلی این موضوع اشاره می‌شود:
1. بروز آسیب‌پذیری‌ها

کد منبع لو رفته به هکرها و مجرمان سایبری این امکان را می‌دهد که نقاط ضعف را شناسایی کرده و از آن‌ها سوءاستفاده کنند. این موضوع می‌تواند منجر به گسترش حملات مبتنی بر آسیب‌پذیری‌های موجود در نرم‌افزار شود.
2. خطر تقلب و جعل

مهاجمان می‌توانند از کد لو رفته برای تولید نسخه‌های جعلی محصول استفاده کنند، که می‌تواند به کاربران آسیب برساند و به اعتبار برند لطمه بزند.
3. از دست رفتن اعتماد

این حادثه می‌تواند اعتماد مشتریان و شرکا را به شدت کاهش دهد. رابطه‌ی طولانی‌مدت شرکت با مشتریان ممکن است به خطر بیفتد و این امر می‌تواند به کاهش فروش و درآمد منجر شود.
4. مسائل قانونی

بسته به نوع اطلاعاتی که در کد وجود دارد، این لو رفتن می‌تواند تبعات قانونی به همراه داشته باشد، نظیر دعاوی حقوقی از سوی مشتریان یا شرکای تجاری.
5. نیاز به پشتیبانی فوری

شرکت ممکن است نیاز به اجرای تغییرات حاد و فوری برای مقابله با تبعات این حادثه داشته باشد، از جمله به‌روزرسانی نرم‌افزارها، اعلام خطر به مشتریان، و اجرای برنامه‌های امنیتی جدید.
6. مسایل مالی

اشکال در اعتبار و کاهش فروش می‌تواند منجر به هزینه‌های مالی چشمگیری برای شرکت شود، زیرا آنها ناچار به سرمایه‌گذاری در امنیت و تبلیغات مجدد برند خواهند بود.

https://thehackernews.com/2026/05/trellix-confirms-source-code-breach.html?m=1

سایت lolrmm.io یک منبع فوق‌العاده (و رایگان) برای مهندسان تشخیص (Detection Engineers) است تا بتوانند کشف های سفارشی ایجاد کنند که در صورت نصب هرگونه ابزار Remote Monitoring and Management (RMM) یا Remote Desktop / Remote Support روی دسکتاپ‌ها یا سرورهای شما، به SOC هشدار بدهد.
اگر در سازمان شما سیاستی وجود دارد که مشخص می‌کند چه ابزارهای ریموتی مجاز هستند و چگونه باید نصب شوند، این ابزار به شما کمک می‌کند هر زمان که مهاجمان از این ابزارها برای دسترسی به شبکه سوءاستفاده می‌کنند، آن را شناسایی کنید.
#تجربه
مهاجمان در سطح گسترده همچنان با نرخ بالایی از این ابزارهای RMM/RDS سوءاستفاده می‌کنند. بنابراین تمرکز روی طراحی و پیاده‌سازی این نوع دتکشن‌ها، هم ارزشمند است و هم استفاده‌ی بهینه‌ای از زمان محدود مهندسی تشخیص شما محسوب می‌شود.

برنامه CI Fortify از سوی Cybersecurity and Infrastructure Security Agency نشان‌دهنده یک تغییر پارادایم مهم در امنیت زیرساخت‌های حیاتی است؛ تغییری از تمرکز صرف بر «پیشگیری از نفوذ» به سمت «تاب‌آوری در شرایط نفوذ». این رویکرد به‌ویژه در حوزه Industrial Control Systems اهمیت دارد، جایی که اختلال در سرویس می‌تواند پیامدهای فیزیکی و اجتماعی گسترده‌ای ایجاد کند.

مقوله CI Fortify بر این فرض استوار است که در سناریوهای واقعی - به‌خصوص در بحران‌های ژئوپلیتیکی- مهاجمان ممکن است از قبل در شبکه حضور داشته باشند و ارتباطات خارجی نیز ناپایدار یا قطع شوند. بنابراین، سازمان‌ها باید معماری خود را به‌گونه‌ای طراحی کنند که حتی در شرایط compromise نیز بتوانند خدمات حیاتی را ادامه دهند. این شامل ایزوله‌سازی سیستم‌های حساس، کاهش وابستگی به سرویس‌های بیرونی و طراحی برای «عملیات در حالت کاهش‌یافته» است.

از منظر عملیاتی، این رویکرد با مفاهیمی مانند Cyber Resilience و طراحی مبتنی بر failure هم‌راستا است. در این مدل، موفقیت امنیتی نه در جلوگیری کامل از نفوذ، بلکه در توانایی حفظ عملکرد و بازیابی سریع تعریف می‌شود. در نهایت، CI Fortify سازمان‌ها را وادار می‌کند که امنیت را نه به‌عنوان یک لایه دفاعی، بلکه به‌عنوان بخشی از طراحی سیستم و تداوم کسب‌وکار ببینند.



https://www.cisa.gov/topics/industrial-control-systems/ci-fortify

Crowdstrike threat hunting report 2025

2026 GLOBAL THREAT REPORT

وقتی رفتار عادی کاربر به Execution Path تبدیل می‌شود

برداشت من از مقاله لینک زیر

یکی از خطرناک‌ترین سوءبرداشت‌ها در امنیت سایبری این است که فقط رفتارهای «غیرعادی» یا ابزارهای پیچیده می‌توانند منجر به compromise شوند. در حالی‌که بسیاری از حملات مدرن دقیقاً از دل رفتارهای روزمره کاربران شکل می‌گیرند.
آسیب‌پذیری Command Injection در Context Menu ویندوز نمونه بسیار خوبی از این واقعیت است.
عملی کاملاً طبیعی مانند Shift + Right Click روی یک پوشه و انتخاب گزینه «Open PowerShell window here» می‌تواند به execution ناخواسته کد منجر شود. مسئله اصلی نه PowerShell است و نه حتی privilege escalation؛ بلکه این واقعیت است که یک interaction عادی کاربر، به execution path تبدیل شده است.
این دقیقاً همان بخشی است که در بسیاری از Threat Modelها نادیده گرفته می‌شود.
اغلب تیم‌ها هنگام طراحی دفاع امنیتی روی مواردی مانند malware execution، exploit chain یا persistence تمرکز می‌کنند؛ اما کمتر این سؤال را می‌پرسند:

«کدام رفتار عادی کاربر می‌تواند به surface اجرای کد تبدیل شود؟»

در دنیای واقعی، مهاجمان الزاماً به دنبال exploitهای پیچیده kernel نیستند. گاهی کافی است فرآیندی پیدا کنند که:
کاربر به آن اعتماد دارد،
به‌صورت روزمره استفاده می‌شود،
و در پشت‌صحنه command construction ناامن انجام می‌دهد.
همین mindset باعث شده در سال‌های اخیر تکنیک‌های Living-off-the-Land اهمیت بیشتری پیدا کنند؛ زیرا مهاجم از ابزارها و workflowهای legitimate سیستم علیه خود سیستم استفاده می‌کند.
نمونه ای که گفته شد یک درس مهم برای معماران امنیت، SOCها و حتی توسعه‌دهندگان دارد:
هر UI action، context menu، automation flow یا helper script می‌تواند عملاً بخشی از attack surface باشد؛ حتی اگر سال‌ها «قابلیت عادی سیستم‌عامل» تلقی شده باشد.
در امنیت مدرن، صرفاً بررسی executableها کافی نیست؛ باید مسیرهای تبدیل «رفتار عادی» به «execution» را هم مدل‌سازی کرد.



https://specterops.io/blog/2026/05/07/shift-happens-uncovering-two-built-in-command-injections-in-windows-context-menus/

IR playbook

تشخیص Sandbox توسط بدافزارها
✅دقت در انتخاب سندباکس

نکاتی در زمینه این موضوع در ذیل بیان میکنم امید در انتخاب سند باکس مفید واقع شود.
#تجربه

بدافزارهای پیشرفته برای فرار از تحلیل پویا در Sandbox، از مجموعه‌ای از تکنیک‌های Anti‑VM، Anti‑Sandbox و Anti‑Debug استفاده می‌کنند و با جمع‌آوری چندین شاخص تصمیم می‌گیرند که در محیط واقعی اجرا شده‌اند یا در محیط تحلیل.

یکی از روش‌های رایج، Fingerprinting سخت‌افزار و هایپروایزر است. بدافزار با استفاده از دستوراتی مانند CPUID وجود Hypervisor را بررسی می‌کند یا مقادیر SMBIOS/DMI را برای یافتن نشانه‌هایی مانند VMware و VirtualBox تحلیل می‌کند. همچنین بررسی MAC Address OUI، تعداد غیرعادی هسته‌های CPU، مدل دیسک و سایر Artifactهای ماشین مجازی می‌تواند نشانه‌ای از Sandbox باشد.

دسته دیگر، حملات زمانی (Timing Attacks) است. بدافزار با اندازه‌گیری تأخیر اجرای دستورات از طریق RDTSC یا QueryPerformanceCounter به دنبال افزایش latency ناشی از VM‑exit یا Hookهای امنیتی می‌گردد.

در سطح Anti‑Debug، توابعی مانند IsDebuggerPresent یا بررسی ساختار PEB برای شناسایی دیباگر استفاده می‌شوند. برخی نمونه‌ها همچنین وجود ابزارهای EDR یا Breakpointها را نیز بررسی می‌کنند.

در نهایت، بسیاری از بدافزارها از Behavioral Gating استفاده می‌کنند؛ یعنی تا زمانی که نشانه‌هایی از تعامل واقعی کاربر، داده‌های کاربری، یا شرایط شبکه معتبر مشاهده نشود، payload اصلی فعال نمی‌شود. این رویکرد چندعاملی باعث می‌شود تحلیل خودکار Sandbox دشوارتر شود.


❓حالا ، Sandbox شما حرفه ای است ؟

هانت با Velociraptor

این هفته تدریس هانت و فارنزیک در یکی از سازمانهای کشور را شروع کردم.

دریکی از جلسات هانت با Velociraptor در برنامه است. یکی از قابلیت‌های ارزشمند Velociraptor در عملیات Threat Hunting و DFIR، امکان اجرای YARA روی حافظه Processها است؛ قابلیتی که به تحلیل‌گران اجازه می‌دهد حملات Fileless و اجرای کد در RAM را شناسایی کنند.

در یکی از سناریوهای عملیاتی، از یک Rule ساده YARA برای جستجوی رشته‌هایی مانند Invoke-Mimikatz و DownloadString در حافظه Processها استفاده میشود.

rule Suspicious_PS
{
strings:
$a = "Invoke-Mimikatz" nocase wide ascii
$b = "DownloadString" nocase wide ascii
condition:
any of them
}


این رشته‌ها معمولاً با PowerShell-based attack و ابزارهای Post-Exploitation مرتبط هستند. Velociraptor با استفاده از Artifactهایی مانند Windows.Detection.Yara.Process حافظه Processهای فعال را به‌صورت Remote اسکن کرده و وجود این الگوها را شناسایی می‌کند.

نتیجه این Hunt نشان میدهد که حتی در شرایطی که فایل مخربی روی Disk وجود ندارد و مهاجم از تکنیک‌های Fileless استفاده می‌کند، همچنان می‌توان آثار اجرای حمله را در Memory مشاهده کرد. این موضوع اهمیت Memory Hunting را در کشف تهدیدات مدرن نشان می‌دهد؛ جایی که تحلیل صرف فایل‌ها و آنتی‌ویروس‌های سنتی ممکن است ناکافی باشند. Velociraptor با ترکیب YARA، Threat Hunting و DFIR، دید عمیق‌تری از رفتار واقعی مهاجم در Endpoint فراهم می‌کند.

آیا ضعف در آموزش ریاضی بر کیفیت متخصصان امنیت سایبری اثر می‌گذارد؟


وقتی درباره امنیت سایبری صحبت می‌شود، بسیاری تصور می‌کنند مهم‌ترین مهارت‌ها شامل کار با ابزارها، شناخت حملات یا یادگیری فناوری‌های جدید است. اما در عمل، یکی از عوامل پنهان و بسیار اثرگذار در کیفیت متخصصان امنیت، نوع تفکری است که سیستم آموزشی در افراد ایجاد می‌کند؛ و آموزش ریاضی در این میان نقش مهمی دارد.
موضوع فقط رمزنگاری یا فرمول‌های پیچیده نیست. حتی اگر بخش Cryptography را کنار بگذاریم، امنیت سایبری همچنان به تفکر تحلیلی، مدل‌سازی ذهنی و توانایی کشف الگو وابسته است. یک تحلیل‌گر SOC حرفه‌ای باید بتواند میان هزاران لاگ و Event، ارتباط‌های غیرآشکار را تشخیص دهد و از دل رفتارهای ظاهراً عادی، نشانه‌های حمله را استخراج کند. این فرآیند بیشتر شبیه تحلیل سیستم و استدلال منطقی است تا صرفاً کار با ابزارها.
آموزش ریاضی قوی معمولاً مهارت‌هایی مانند تفکر ساختاریافته، تحلیل علت و معلول، abstraction و reasoning را تقویت می‌کند؛ مهارت‌هایی که در Threat Hunting، Detection Engineering و DFIR بسیار حیاتی‌اند. در مقابل، ضعف در این حوزه می‌تواند باعث شود بخشی از نیروها بیش از حد ابزارمحور شوند و در تحلیل عمیق، طراحی Detection Logic یا تفکر adversarial ضعف داشته باشند.
به همین دلیل، بسیاری از متخصصان برجسته امنیت الزاماً کسانی نیستند که فقط مدارک متعدد دارند؛ بلکه افرادی هستند که قدرت تحلیل سیستمی و ذهن ساختاریافته‌تری دارند. امنیت سایبری بیش از آنکه صرفاً یک مهارت فنی باشد، یک شیوه تفکر تحلیلی است؛ و آموزش ریاضی می‌تواند یکی از پایه‌های شکل‌گیری این ذهنیت باشد.

خصوصیات امنیتی جدید اندروید


https://blog.google/security/whats-new-in-android-security-privacy-2026/