نصب و تیونینگ اسپلانک ( نه تحلیلگری ) شده ساعتی ۴ م تومان 🫢😑
⁉️نمیخواین در این حوزه شاغل شوید ؟
🌼هیچ پیش نیاز امنیتی هم نمیخواد
⬅️ثبت نام : واتس اپ 09902857290
پیش نیاز: دوره آفلاین اسپلانک جناب میر اسداللهی ( گوگل کنید)
⁉️نمیخواین در این حوزه شاغل شوید ؟
🌼هیچ پیش نیاز امنیتی هم نمیخواد
⬅️ثبت نام : واتس اپ 09902857290
پیش نیاز: دوره آفلاین اسپلانک جناب میر اسداللهی ( گوگل کنید)
👏9❤3
راه حلی از موسسه استاندارد آمریکا برای جهان کوانتومی و خطرات آن
آیا ما آشنا هستیم ؟
https://www.nist.gov/news-events/news/2026/10/nist-report-provides-guidelines-transition-post-quantum-cryptography
آیا ما آشنا هستیم ؟
https://www.nist.gov/news-events/news/2026/10/nist-report-provides-guidelines-transition-post-quantum-cryptography
NIST
NIST Report Provides Guidelines for Transition to Post-Quantum Cryptography Standards
This report describes the timelines and migration activities for federal agencies, and it can serve as a key resource for technology providers and organizations that are developing their quantum-readiness road maps.
🙏2
هشدارهای متعدد، همیشه به معنی رخدادهای متعدد نیستند!
یکی از قابلیتهایی که در Splunk ES 8.8 توجه را جلب کرد، Investigation Aggregation است؛ قابلیتی برای کنار هم قرار دادن یافتههای مرتبط در یک پرونده تحقیق.
فرض کنید برای یک کاربر، ورود مشکوک ثبت شده، روی لپتاپش PowerShell مشکوک اجرا شده و همان دستگاه با یک دامنه مخرب ارتباط گرفته است. بررسی جداگانه این هشدارها، بخشی از وقت تحلیلگر را صرف پیدا کردن ارتباط میان شواهد میکند.
اینجاست که نحوه تنظیم این قابلیت اهمیت پیدا میکند.
در مسیر زیر، ابتدا قابلیت را فعال میکنیم؛ چون بهصورت پیشفرض خاموش است:
Configure → Findings and investigations → Investigation aggregation
سپس مشخص میکنیم تجمیع داخل یک صف تیمی انجام شود یا میان چند صف. قواعد آمادهای مثل Entity مشترک، Threat Object مشترک و فرستنده مشترک ایمیل فیشینگ وجود دارند؛ امکان تعریف قواعد اختصاصی و تغییر اولویت آنها هم فراهم است.
پس از فعالسازی، یافتههای جدید بر اساس این قواعد به پروندهها هدایت میشوند. یافتههای قبلی خودکار تجمیع نمیشوند.
نکته مهم این است: تعداد هشدارها لزوماً کمتر نمیشود؛ اما بررسیهای پراکنده و تکراری میتواند کاهش پیدا کند.
البته کیفیت نتیجه به قواعد بستگی دارد؛ کنار هم گذاشتن هشدارهای نامرتبط، فقط پروندهای شلوغتر میسازد!
یکی از قابلیتهایی که در Splunk ES 8.8 توجه را جلب کرد، Investigation Aggregation است؛ قابلیتی برای کنار هم قرار دادن یافتههای مرتبط در یک پرونده تحقیق.
فرض کنید برای یک کاربر، ورود مشکوک ثبت شده، روی لپتاپش PowerShell مشکوک اجرا شده و همان دستگاه با یک دامنه مخرب ارتباط گرفته است. بررسی جداگانه این هشدارها، بخشی از وقت تحلیلگر را صرف پیدا کردن ارتباط میان شواهد میکند.
اینجاست که نحوه تنظیم این قابلیت اهمیت پیدا میکند.
در مسیر زیر، ابتدا قابلیت را فعال میکنیم؛ چون بهصورت پیشفرض خاموش است:
Configure → Findings and investigations → Investigation aggregation
سپس مشخص میکنیم تجمیع داخل یک صف تیمی انجام شود یا میان چند صف. قواعد آمادهای مثل Entity مشترک، Threat Object مشترک و فرستنده مشترک ایمیل فیشینگ وجود دارند؛ امکان تعریف قواعد اختصاصی و تغییر اولویت آنها هم فراهم است.
پس از فعالسازی، یافتههای جدید بر اساس این قواعد به پروندهها هدایت میشوند. یافتههای قبلی خودکار تجمیع نمیشوند.
نکته مهم این است: تعداد هشدارها لزوماً کمتر نمیشود؛ اما بررسیهای پراکنده و تکراری میتواند کاهش پیدا کند.
البته کیفیت نتیجه به قواعد بستگی دارد؛ کنار هم گذاشتن هشدارهای نامرتبط، فقط پروندهای شلوغتر میسازد!
👏8❤2
مهندسی کشف
پنهانسازی DLL؛ تفاوت میان فهرست ماژولها و واقعیت حافظه
مقاله پاول یوسیفوویچ توضیح میدهد چگونه میتوان یک DLL بارگذاریشده در فرایندی دیگر را از فهرست ماژولهای آن پنهان کرد؛ بدون اینکه DLL از حافظه خارج شود. مبنای روش، دستکاری فهرستهای پیوندی متعلق به Loader در ساختار PEB است. با حذف ارتباط ورودی ماژول از فهرست، ابزارهای متکی بر آن دیگر DLL را گزارش نمیکنند.
چالش اصلی، عبور از مرز فضای آدرس فرایندهاست. اشارهگری که در فرایند هدف معتبر است، در فرایند اجراکننده الزاماً معنایی ندارد؛ بنابراین ساختارها باید با ReadProcessMemory به حافظه محلی خوانده شوند و تغییرات با WriteProcessMemory اعمال شوند. آدرس PEB هدف نیز از طریق NtQueryInformationProcess دریافت میشود.
نویسنده بر کنترل تعداد واقعی بایتهای منتقلشده، خواندن جداگانه محتوای رشتههای UNICODE_STRING و بررسی آدرسها با ابزار متصل به فرایند هدف تأکید میکند. در آزمایش، DLL از خروجی EnumProcessModules و پیمایش مستقیم PEB ناپدید میشود.
پیام دفاعی مهم این است که ناپدیدشدن از فهرست، به معنای نبودن در حافظه نیست. در نتیجه، اتکای انحصاری به فهرست Loader نقطه کور ایجاد میکند. مقایسه این فهرست با نگاشت واقعی حافظه، مانند بررسی مبتنی بر VirtualQueryEx، میتواند ناسازگاری را آشکار کند. این روش، فراداده مشاهدهپذیری را تغییر میدهد و بهخودیخود DLL را تزریق، تخلیه یا اجرای آن را متوقف نمیکند.
منبع: مقاله TrainSec
دوره مهندسی کشف آکادمی روزبه با تیم MSSP شرکت هامون با پوشش صددرصدی مفاهیم و کارگاه عملی >> استخدام
دیماه 09902857290 واتس اپ
https://trainsec.net/library/malware-analysis/hiding-a-dll-in-another-process-cross-process-peb-unlinking-explained/
پنهانسازی DLL؛ تفاوت میان فهرست ماژولها و واقعیت حافظه
مقاله پاول یوسیفوویچ توضیح میدهد چگونه میتوان یک DLL بارگذاریشده در فرایندی دیگر را از فهرست ماژولهای آن پنهان کرد؛ بدون اینکه DLL از حافظه خارج شود. مبنای روش، دستکاری فهرستهای پیوندی متعلق به Loader در ساختار PEB است. با حذف ارتباط ورودی ماژول از فهرست، ابزارهای متکی بر آن دیگر DLL را گزارش نمیکنند.
چالش اصلی، عبور از مرز فضای آدرس فرایندهاست. اشارهگری که در فرایند هدف معتبر است، در فرایند اجراکننده الزاماً معنایی ندارد؛ بنابراین ساختارها باید با ReadProcessMemory به حافظه محلی خوانده شوند و تغییرات با WriteProcessMemory اعمال شوند. آدرس PEB هدف نیز از طریق NtQueryInformationProcess دریافت میشود.
نویسنده بر کنترل تعداد واقعی بایتهای منتقلشده، خواندن جداگانه محتوای رشتههای UNICODE_STRING و بررسی آدرسها با ابزار متصل به فرایند هدف تأکید میکند. در آزمایش، DLL از خروجی EnumProcessModules و پیمایش مستقیم PEB ناپدید میشود.
پیام دفاعی مهم این است که ناپدیدشدن از فهرست، به معنای نبودن در حافظه نیست. در نتیجه، اتکای انحصاری به فهرست Loader نقطه کور ایجاد میکند. مقایسه این فهرست با نگاشت واقعی حافظه، مانند بررسی مبتنی بر VirtualQueryEx، میتواند ناسازگاری را آشکار کند. این روش، فراداده مشاهدهپذیری را تغییر میدهد و بهخودیخود DLL را تزریق، تخلیه یا اجرای آن را متوقف نمیکند.
منبع: مقاله TrainSec
دوره مهندسی کشف آکادمی روزبه با تیم MSSP شرکت هامون با پوشش صددرصدی مفاهیم و کارگاه عملی >> استخدام
دیماه 09902857290 واتس اپ
https://trainsec.net/library/malware-analysis/hiding-a-dll-in-another-process-cross-process-peb-unlinking-explained/
TrainSec - CyberSecurity online training
Hiding a DLL in Another Process: Cross-Process PEB Unlinking Explained » TrainSec
Pavel Yosifovich extends DLL hiding across process boundaries, reading and writing a remote PEB, loader data, and module list entirely through ReadProcessMemory and WriteProcessMemory.
🔥5❤1
#نکته_روز
اونقدر در یک گرایش کاری/ درسی غرق نشین که یهو سر بالا کنین ببینین از روزگار حذف شدین !!
واسه همینه هر از چند گاهی یه دوری به سایر گرایش های امنیت هم میزنیم
اونقدر در یک گرایش کاری/ درسی غرق نشین که یهو سر بالا کنین ببینین از روزگار حذف شدین !!
واسه همینه هر از چند گاهی یه دوری به سایر گرایش های امنیت هم میزنیم
👏7💯4
لاگها وارد Splunk شدهاند؛ اما آیا واقعاً برای Detection آمادهاند؟
خطای پنهان در Data Onboarding که حتی مدیران باتجربه Splunk ممکن است نادیده بگیرند
یکی از اشتباهات رایج در پروژههای پیادهسازی Splunk Enterprise Security این است که موفقیت Data Onboarding را با دریافت موفق لاگها اشتباه میگیریم.
تصور کنید یک Splunk Administrator گزارش میدهد که لاگهای Windows، Firewall و Active Directory با موفقیت وارد Index شدهاند. نرخ EPS طبیعی است، رویدادها قابل جستوجو هستند و تأخیری در دریافت دادهها مشاهده نمیشود.
آیا میتوان نتیجه گرفت که این منابع برای استفاده در Splunk ES آمادهاند؟
پاسخ منفی است؛ زیرا Searchable بودن داده الزاماً به معنای CIM-Compliant بودن آن نیست و CIM Compliance نیز بهتنهایی Detection Readiness را تضمین نمیکند.
اینجا باید میان سه مفهوم تمایز قائل شویم: Data Ingestion، Data Normalization و Detection Readiness.
در مرحله نخست، داده دریافت، پردازش و ایندکس میشود. در مرحله دوم، ساختار و معنای داده با الزامات Common Information Model یا CIM تطبیق پیدا میکند. در مرحله سوم، باید اطمینان حاصل کنیم که داده واقعاً پیشنیازهای Detectionهای موردنظر را تأمین میکند.
اما نکته ظریفتر در مرحله دوم قرار دارد.
وCIM Compliance صرفاً به معنای یکسانسازی نام فیلدها نیست.
فرض کنید رویداد Windows Event ID 4625 وارد Splunk شده است. این رویداد نشاندهنده یک تلاش ناموفق برای ورود است. ممکن است Administrator فیلد
این اقدام ضروری است، اما کافی نیست.
اگر مقدار
از سوی دیگر، در Splunk CIM، مفاهیمی مانند Event Type، Tag و Dataset Constraints نیز اهمیت دارند. Event Type میتواند گروه مشخصی از رویدادها را شناسایی کند و Tagها در طبقهبندی آنها نقش داشته باشند. محدودیتهای Dataset نیز تعیین میکنند کدام رویدادها در محدوده یک Data Model قرار میگیرند.
بنابراین ممکن است رویدادی در Index وجود داشته باشد، فیلدهای آن نیز استخراج شده باشند، اما به دلیل ناسازگاری با محدودیتهای Dataset، در جستوجوی مبتنی بر Data Model ظاهر نشود.
این مسئله زمانی خطرناکتر میشود که Detectionهای سازمان بر مبنای Data Modelهای CIM توسعه یافته باشند.
در چنین شرایطی، داشبوردهای مربوط به Ingestion ممکن است وضعیت سالمی نشان دهند، در حالی که بخشی از قابلیت کشف تهدید عملاً دچار Blind Spot شده است.
نکته مهم دیگر، تفاوت میان Data Model Compatibility و Data Model Acceleration است. فعالسازی Acceleration میتواند عملکرد جستوجوهای سازگار را بهبود دهد، اما دادهای را که از نظر معنایی یا ساختاری نادرست نرمالسازی شده است، اصلاح نمیکند.
از منظر مهندسی، Data Onboarding باید فراتر از اتصال Log Source به Index تعریف شود. یک فرآیند حرفهای باید دریافت داده، صحت Timestamp، شناسایی Sourcetype، استخراج فیلدها، نرمالسازی مقادیر، تطبیق با CIM، بررسی Dataset Membership و در نهایت اعتبارسنجی Detection را پوشش دهد.
حتی عبور موفق از آزمون CIM نیز پایان کار نیست. ممکن است Detection به Lookup، Asset and Identity Context، فیلدهای تکمیلی، آستانههای زمانی یا شرایط همبستگی وابسته باشد.
به همین دلیل، بهترین معیار موفقیت Data Onboarding، صرفاً تعداد رویدادهای دریافتی نیست؛ بلکه توانایی داده در پشتیبانی از سناریوهای کشف تهدید مورد انتظار است.
برای مثال، در یک سناریوی Brute Force باید بتوانیم مسیر رویداد را از تولید در سیستم مبدأ تا دریافت در Splunk، نرمالسازی، ورود به Dataset مناسب و اجرای موفق Detection ردیابی و اعتبارسنجی کنیم.
این همان جایی است که Data Onboarding از یک فعالیت صرفاً عملیاتی به بخشی از Detection Engineering تبدیل میشود.
پیام نهایی برای Splunk Administrators:
وقتی یک Log Source را Onboard میکنید، تنها نپرسید: «آیا لاگها وارد Splunk شدهاند؟»
بپرسید: «آیا این دادهها با CIM سازگارند، در Data Model مناسب قرار میگیرند و میتوانند Detectionهای مورد انتظار را بهدرستی تغذیه کنند؟»
زیرا در یک SOC، خطرناکترین نقص همیشه نبود داده نیست؛ گاهی داده وجود دارد، اما سامانه کشف تهدید نمیتواند از آن بهدرستی استفاده کند.
**دوره اسپلانک پیشرفته 09902857290
#Splunk #SplunkES #DataOnboarding #CIM #DetectionEngineering #SIEM #SOC #DataNormalization #ThreatDetection #CyberSecurity
خطای پنهان در Data Onboarding که حتی مدیران باتجربه Splunk ممکن است نادیده بگیرند
یکی از اشتباهات رایج در پروژههای پیادهسازی Splunk Enterprise Security این است که موفقیت Data Onboarding را با دریافت موفق لاگها اشتباه میگیریم.
تصور کنید یک Splunk Administrator گزارش میدهد که لاگهای Windows، Firewall و Active Directory با موفقیت وارد Index شدهاند. نرخ EPS طبیعی است، رویدادها قابل جستوجو هستند و تأخیری در دریافت دادهها مشاهده نمیشود.
آیا میتوان نتیجه گرفت که این منابع برای استفاده در Splunk ES آمادهاند؟
پاسخ منفی است؛ زیرا Searchable بودن داده الزاماً به معنای CIM-Compliant بودن آن نیست و CIM Compliance نیز بهتنهایی Detection Readiness را تضمین نمیکند.
اینجا باید میان سه مفهوم تمایز قائل شویم: Data Ingestion، Data Normalization و Detection Readiness.
در مرحله نخست، داده دریافت، پردازش و ایندکس میشود. در مرحله دوم، ساختار و معنای داده با الزامات Common Information Model یا CIM تطبیق پیدا میکند. در مرحله سوم، باید اطمینان حاصل کنیم که داده واقعاً پیشنیازهای Detectionهای موردنظر را تأمین میکند.
اما نکته ظریفتر در مرحله دوم قرار دارد.
وCIM Compliance صرفاً به معنای یکسانسازی نام فیلدها نیست.
فرض کنید رویداد Windows Event ID 4625 وارد Splunk شده است. این رویداد نشاندهنده یک تلاش ناموفق برای ورود است. ممکن است Administrator فیلد
IpAddress را به src و فیلد TargetUserName را به user نگاشت کند.این اقدام ضروری است، اما کافی نیست.
اگر مقدار
action بهدرستی به failure نرمالسازی نشده باشد، یک Detection که به دنبال ورودهای ناموفق میگردد ممکن است رویداد را شناسایی نکند.از سوی دیگر، در Splunk CIM، مفاهیمی مانند Event Type، Tag و Dataset Constraints نیز اهمیت دارند. Event Type میتواند گروه مشخصی از رویدادها را شناسایی کند و Tagها در طبقهبندی آنها نقش داشته باشند. محدودیتهای Dataset نیز تعیین میکنند کدام رویدادها در محدوده یک Data Model قرار میگیرند.
بنابراین ممکن است رویدادی در Index وجود داشته باشد، فیلدهای آن نیز استخراج شده باشند، اما به دلیل ناسازگاری با محدودیتهای Dataset، در جستوجوی مبتنی بر Data Model ظاهر نشود.
این مسئله زمانی خطرناکتر میشود که Detectionهای سازمان بر مبنای Data Modelهای CIM توسعه یافته باشند.
در چنین شرایطی، داشبوردهای مربوط به Ingestion ممکن است وضعیت سالمی نشان دهند، در حالی که بخشی از قابلیت کشف تهدید عملاً دچار Blind Spot شده است.
نکته مهم دیگر، تفاوت میان Data Model Compatibility و Data Model Acceleration است. فعالسازی Acceleration میتواند عملکرد جستوجوهای سازگار را بهبود دهد، اما دادهای را که از نظر معنایی یا ساختاری نادرست نرمالسازی شده است، اصلاح نمیکند.
از منظر مهندسی، Data Onboarding باید فراتر از اتصال Log Source به Index تعریف شود. یک فرآیند حرفهای باید دریافت داده، صحت Timestamp، شناسایی Sourcetype، استخراج فیلدها، نرمالسازی مقادیر، تطبیق با CIM، بررسی Dataset Membership و در نهایت اعتبارسنجی Detection را پوشش دهد.
حتی عبور موفق از آزمون CIM نیز پایان کار نیست. ممکن است Detection به Lookup، Asset and Identity Context، فیلدهای تکمیلی، آستانههای زمانی یا شرایط همبستگی وابسته باشد.
به همین دلیل، بهترین معیار موفقیت Data Onboarding، صرفاً تعداد رویدادهای دریافتی نیست؛ بلکه توانایی داده در پشتیبانی از سناریوهای کشف تهدید مورد انتظار است.
برای مثال، در یک سناریوی Brute Force باید بتوانیم مسیر رویداد را از تولید در سیستم مبدأ تا دریافت در Splunk، نرمالسازی، ورود به Dataset مناسب و اجرای موفق Detection ردیابی و اعتبارسنجی کنیم.
این همان جایی است که Data Onboarding از یک فعالیت صرفاً عملیاتی به بخشی از Detection Engineering تبدیل میشود.
پیام نهایی برای Splunk Administrators:
وقتی یک Log Source را Onboard میکنید، تنها نپرسید: «آیا لاگها وارد Splunk شدهاند؟»
بپرسید: «آیا این دادهها با CIM سازگارند، در Data Model مناسب قرار میگیرند و میتوانند Detectionهای مورد انتظار را بهدرستی تغذیه کنند؟»
زیرا در یک SOC، خطرناکترین نقص همیشه نبود داده نیست؛ گاهی داده وجود دارد، اما سامانه کشف تهدید نمیتواند از آن بهدرستی استفاده کند.
**دوره اسپلانک پیشرفته 09902857290
#Splunk #SplunkES #DataOnboarding #CIM #DetectionEngineering #SIEM #SOC #DataNormalization #ThreatDetection #CyberSecurity
👍2🔥2
یک دوره اسپلانک درحال برنامه ریزی است که از ۲۹ آبان شروع شود
شامل فقط ادمینی : صفر تا صد
کارگاه کامل
استخدام تضمینی دو نفر اول دوره
بازگشت ۵۰ درصد هزینه نفر اول دوره
ثبت نام 09902857290 واتس اپ
سرفصل:
هر آنچه یک ادمین از اسپلانک باید بداند ، نصب ، کلاستر ، تی شوت ، ES ، تی شوت پیشرفته + درس آموخته ها و تجربیات محیط واقعی
پیش نیاز : فقط آشنایی با شبکه در حد ابتدایی
آموزش >> اشتغال
شامل فقط ادمینی : صفر تا صد
کارگاه کامل
استخدام تضمینی دو نفر اول دوره
بازگشت ۵۰ درصد هزینه نفر اول دوره
ثبت نام 09902857290 واتس اپ
سرفصل:
هر آنچه یک ادمین از اسپلانک باید بداند ، نصب ، کلاستر ، تی شوت ، ES ، تی شوت پیشرفته + درس آموخته ها و تجربیات محیط واقعی
پیش نیاز : فقط آشنایی با شبکه در حد ابتدایی
آموزش >> اشتغال
👍18
آکادمی آموزش روزبه 📚
یک دوره اسپلانک درحال برنامه ریزی است که از ۲۹ آبان شروع شود شامل فقط ادمینی : صفر تا صد کارگاه کامل استخدام تضمینی دو نفر اول دوره بازگشت ۵۰ درصد هزینه نفر اول دوره ثبت نام 09902857290 واتس اپ سرفصل: هر آنچه یک ادمین از اسپلانک باید بداند ، نصب…
در Indexer Cluster، برقرار بودن Replication Factor الزاماً به معنی برقرار بودن Search Factor نیست؛ کپی داده ممکن است فایلهای لازم برای جستوجو را نداشته باشد. پس از خرابی یک Peer، تبدیل کپی غیرقابلجستوجو به Searchable ممکن است نیازمند انتقال فایلهای ایندکس یا بازسازی آنها از rawdata باشد. بنابراین در عیبیابی، صرفاً تعداد کپیها را نشمارید؛ وضعیت Searchable بودن Bucketها و صف Fixup را هم بررسی کنید.
با ما به تمام اسپلانک سفر کنید و شاغل شوید ✅
09902857290 واتس اپ
با ما به تمام اسپلانک سفر کنید و شاغل شوید ✅
09902857290 واتس اپ
🔥6🤝1
ذهنیت امنیتی؛ توانایی دیدن آنچه پشت ظاهر پنهان است
در امنیت اطلاعات، دانستن نام ابزارها، تسلط بر دستورات و آشنایی با فناوریها ضروری است؛ اما کیفیت کار یک متخصص، به شیوه نگاه او به مسئله نیز بستگی دارد. دو نفر ممکن است به یک لاگ، یک قطعه کد یا یک سیستم مشکوک دسترسی داشته باشند، اما به نتایج متفاوتی برسند. تفاوت، گاهی در پرسشهایی است که مطرح میکنند و فرضهایی که حاضرند به چالش بکشند.
ذهنیت امنیتی یعنی توانایی عبور از ظاهر رویدادها، شناخت فرضهای پنهان و بررسی راههایی که ممکن است یک قابلیت معتبر، برخلاف هدف اصلی خود استفاده شود. متخصص برخوردار از این ذهنیت، علاوه بر اینکه میپرسد «این سیستم چگونه کار میکند؟»، بررسی میکند «در چه شرایطی میتوان از همین سازوکار سوءاستفاده کرد؟» و «برای تشخیص این سوءاستفاده، چه شواهدی لازم داریم؟»
این نگاه به معنای بدبینی دائمی یا متهمکردن همهچیز نیست. ذهنیت امنیتی زمانی ارزشمند است که با تفکر نقادانه، شناخت فنی و انضباط در ارزیابی شواهد همراه باشد. همانقدر که باید احتمال حمله را بررسی کنیم، باید بتوانیم فرضیه خود را نیز رد کنیم.
در فارنزیک: ساختن روایت از شواهد
در بررسی نفوذ، مشاهده یک فایل مشکوک یا اجرای یک فرمان، نقطه آغاز تحقیق است. تحلیلگر باید ارتباط زمانی و علّی شواهد را بررسی کند: مهاجم چگونه وارد شده، تحت چه حسابی فعالیت کرده، چه دسترسیهایی به دست آورده و چه آثاری باقی گذاشته است؟
ذهنیت امنیتی کمک میکند پژوهشگر به نخستین توضیح قانع نشود. نبودن یک رویداد در لاگ، الزاماً به معنای رخندادن آن نیست؛ شاید ثبت آن فعال نبوده، داده از دست رفته یا مهاجم شواهد را دستکاری کرده باشد. البته هرکدام از این احتمالها باید بررسی شوند. فارنزیک معتبر، میان واقعیت مشاهدهشده، استنباط و موضوع نامعلوم مرز روشنی میکشد.
در تحلیل امنیتی: فهم رفتار در بستر آن
اجرای PowerShell، ورود موفق یک کاربر یا استفاده از یک ابزار مدیریتی، بهتنهایی برای قضاوت کافی نیست. چه کسی، از کدام مبدأ، در چه زمانی، روی چه دارایی و با چه توالی رفتاری این اقدام را انجام داده است؟
تحلیلگر دارای ذهنیت امنیتی، رویداد را در بستر فعالیت سازمان میبیند. ورود موفق میتواند حاصل سرقت اعتبارنامه باشد؛ ابزاری معتبر میتواند برای اجرای فرمان مهاجم به کار رود؛ و چند رخداد کماهمیت ممکن است در کنار هم، مسیر یک نفوذ را آشکار کنند. این نگاه، تحلیل را از خواندن هشدار به فهم مسئله ارتقا میدهد.
در تحلیل کد: بررسی اعتماد و امکان سوءاستفاده
کدی که خروجی درست تولید میکند، ممکن است از نظر امنیتی آسیبپذیر باشد. ذهنیت امنیتی، توجه تحلیلگر را به ورودیهای غیرقابلاعتماد، مرزهای دسترسی، مدیریت خطا و فرضهای توسعهدهنده جلب میکند.
آیا کنترل دسترسی در سمت سرور اعمال شده است؟ آیا کاربر میتواند شناسه یک شیء را تغییر دهد و به داده دیگری برسد؟ آیا دو درخواست همزمان میتوانند یک محدودیت کسبوکار را دور بزنند؟ چنین پرسشهایی نیازمند فهم منطق برنامهاند؛ جستوجوی چند تابع خطرناک، همه مسئله را پوشش نمیدهد.
در پیشبینی رفتار مهاجم: شناخت انتخابهای محتمل
پیشبینی رفتار مهاجم، حدسزدن نیت او با قطعیت نیست. باید هدف احتمالی، سطح دسترسی فعلی، محدودیتها و فرصتهای محیط را کنار هم گذاشت و مسیرهای محتمل بعدی را ارزیابی کرد.
اگر مهاجم به یک سرور کاربردی دسترسی گرفته باشد، چه اطلاعاتی برای ادامه مسیر در اختیار دارد؟ کدام اعتبارنامهها، ارتباطات مورداعتماد یا دسترسیهای مدیریتی میتوانند به او کمک کنند؟ پاسخ به این پرسشها، اولویت بررسی و اقدامات دفاعی را روشنتر میکند.
در هانتینگ: تبدیل تردید به فرضیه آزمونپذیر
هانتینگ زمانی اثربخش میشود که یک نگرانی به پرسشی مشخص تبدیل شود. برای مثال: «اگر مهاجم از حساب سرویس برای حرکت جانبی استفاده کرده باشد، چه الگوی رفتاری متفاوتی خواهیم دید؟»
سپس باید داده لازم، روش جستوجو و معیار تأیید یا رد فرضیه مشخص شود. نتیجه منفی نیز تنها در محدوده پوشش و کیفیت داده معنا دارد. جستوجویی که شواهد کافی در اختیار ندارد، نمیتواند نبود تهدید را اثبات کند.
چرا این ذهنیت باید آموزش داده شود؟
یکی از ضعفهای آموزش امنیت، تمرکز بیشازحد بر اجرای دستور و رسیدن به خروجی ازپیشتعیینشده است. دانشجو ممکن است ابزار را بهخوبی اجرا کند، اما نداند چرا باید آن را انتخاب کند، نتیجهاش چه محدودیتی دارد و قدم بعدی چیست.
برای پرورش ذهنیت امنیتی، باید با سناریوهای مبهم، شواهد ناقص و توضیحهای رقیب تمرین کرد. از دانشجو باید خواست استدلال کند، فرضیه بسازد، شواهد مخالف را ببیند و درجه اطمینان خود را توضیح دهد. این توانایی قابل پرورش است و باید از الزامات تربیت نیروی امنیت باشد.
در امنیت اطلاعات، دانستن نام ابزارها، تسلط بر دستورات و آشنایی با فناوریها ضروری است؛ اما کیفیت کار یک متخصص، به شیوه نگاه او به مسئله نیز بستگی دارد. دو نفر ممکن است به یک لاگ، یک قطعه کد یا یک سیستم مشکوک دسترسی داشته باشند، اما به نتایج متفاوتی برسند. تفاوت، گاهی در پرسشهایی است که مطرح میکنند و فرضهایی که حاضرند به چالش بکشند.
ذهنیت امنیتی یعنی توانایی عبور از ظاهر رویدادها، شناخت فرضهای پنهان و بررسی راههایی که ممکن است یک قابلیت معتبر، برخلاف هدف اصلی خود استفاده شود. متخصص برخوردار از این ذهنیت، علاوه بر اینکه میپرسد «این سیستم چگونه کار میکند؟»، بررسی میکند «در چه شرایطی میتوان از همین سازوکار سوءاستفاده کرد؟» و «برای تشخیص این سوءاستفاده، چه شواهدی لازم داریم؟»
این نگاه به معنای بدبینی دائمی یا متهمکردن همهچیز نیست. ذهنیت امنیتی زمانی ارزشمند است که با تفکر نقادانه، شناخت فنی و انضباط در ارزیابی شواهد همراه باشد. همانقدر که باید احتمال حمله را بررسی کنیم، باید بتوانیم فرضیه خود را نیز رد کنیم.
در فارنزیک: ساختن روایت از شواهد
در بررسی نفوذ، مشاهده یک فایل مشکوک یا اجرای یک فرمان، نقطه آغاز تحقیق است. تحلیلگر باید ارتباط زمانی و علّی شواهد را بررسی کند: مهاجم چگونه وارد شده، تحت چه حسابی فعالیت کرده، چه دسترسیهایی به دست آورده و چه آثاری باقی گذاشته است؟
ذهنیت امنیتی کمک میکند پژوهشگر به نخستین توضیح قانع نشود. نبودن یک رویداد در لاگ، الزاماً به معنای رخندادن آن نیست؛ شاید ثبت آن فعال نبوده، داده از دست رفته یا مهاجم شواهد را دستکاری کرده باشد. البته هرکدام از این احتمالها باید بررسی شوند. فارنزیک معتبر، میان واقعیت مشاهدهشده، استنباط و موضوع نامعلوم مرز روشنی میکشد.
در تحلیل امنیتی: فهم رفتار در بستر آن
اجرای PowerShell، ورود موفق یک کاربر یا استفاده از یک ابزار مدیریتی، بهتنهایی برای قضاوت کافی نیست. چه کسی، از کدام مبدأ، در چه زمانی، روی چه دارایی و با چه توالی رفتاری این اقدام را انجام داده است؟
تحلیلگر دارای ذهنیت امنیتی، رویداد را در بستر فعالیت سازمان میبیند. ورود موفق میتواند حاصل سرقت اعتبارنامه باشد؛ ابزاری معتبر میتواند برای اجرای فرمان مهاجم به کار رود؛ و چند رخداد کماهمیت ممکن است در کنار هم، مسیر یک نفوذ را آشکار کنند. این نگاه، تحلیل را از خواندن هشدار به فهم مسئله ارتقا میدهد.
در تحلیل کد: بررسی اعتماد و امکان سوءاستفاده
کدی که خروجی درست تولید میکند، ممکن است از نظر امنیتی آسیبپذیر باشد. ذهنیت امنیتی، توجه تحلیلگر را به ورودیهای غیرقابلاعتماد، مرزهای دسترسی، مدیریت خطا و فرضهای توسعهدهنده جلب میکند.
آیا کنترل دسترسی در سمت سرور اعمال شده است؟ آیا کاربر میتواند شناسه یک شیء را تغییر دهد و به داده دیگری برسد؟ آیا دو درخواست همزمان میتوانند یک محدودیت کسبوکار را دور بزنند؟ چنین پرسشهایی نیازمند فهم منطق برنامهاند؛ جستوجوی چند تابع خطرناک، همه مسئله را پوشش نمیدهد.
در پیشبینی رفتار مهاجم: شناخت انتخابهای محتمل
پیشبینی رفتار مهاجم، حدسزدن نیت او با قطعیت نیست. باید هدف احتمالی، سطح دسترسی فعلی، محدودیتها و فرصتهای محیط را کنار هم گذاشت و مسیرهای محتمل بعدی را ارزیابی کرد.
اگر مهاجم به یک سرور کاربردی دسترسی گرفته باشد، چه اطلاعاتی برای ادامه مسیر در اختیار دارد؟ کدام اعتبارنامهها، ارتباطات مورداعتماد یا دسترسیهای مدیریتی میتوانند به او کمک کنند؟ پاسخ به این پرسشها، اولویت بررسی و اقدامات دفاعی را روشنتر میکند.
در هانتینگ: تبدیل تردید به فرضیه آزمونپذیر
هانتینگ زمانی اثربخش میشود که یک نگرانی به پرسشی مشخص تبدیل شود. برای مثال: «اگر مهاجم از حساب سرویس برای حرکت جانبی استفاده کرده باشد، چه الگوی رفتاری متفاوتی خواهیم دید؟»
سپس باید داده لازم، روش جستوجو و معیار تأیید یا رد فرضیه مشخص شود. نتیجه منفی نیز تنها در محدوده پوشش و کیفیت داده معنا دارد. جستوجویی که شواهد کافی در اختیار ندارد، نمیتواند نبود تهدید را اثبات کند.
چرا این ذهنیت باید آموزش داده شود؟
یکی از ضعفهای آموزش امنیت، تمرکز بیشازحد بر اجرای دستور و رسیدن به خروجی ازپیشتعیینشده است. دانشجو ممکن است ابزار را بهخوبی اجرا کند، اما نداند چرا باید آن را انتخاب کند، نتیجهاش چه محدودیتی دارد و قدم بعدی چیست.
برای پرورش ذهنیت امنیتی، باید با سناریوهای مبهم، شواهد ناقص و توضیحهای رقیب تمرین کرد. از دانشجو باید خواست استدلال کند، فرضیه بسازد، شواهد مخالف را ببیند و درجه اطمینان خود را توضیح دهد. این توانایی قابل پرورش است و باید از الزامات تربیت نیروی امنیت باشد.
❤5🤝1
متخصص امنیت باید بتواند پشت ظاهر یک رفتار را ببیند و سپس برداشت خود را با شواهد بیازماید. ارزش این ذهنیت در همین پیوند میان کنجکاوی، فهم فنی و قضاوت مستدل است؛ پیوندی که ابزار را به وسیله کشف حقیقت تبدیل میکند.
❤9🤝2
آکادمی آموزش روزبه 📚
🏮شروع کلاس ۱۶ روز دیگر واتس اپ 09902857290
تأثیر RF و SF بر فضای ذخیرهسازی کلاستر Splunk
در طراحی کلاستر Splunk، تعداد Indexerها بهتنهایی تعیینکننده ظرفیت ذخیرهسازی نیست. Replication Factor یا RF تعداد نسخههای داده و Search Factor یا SF تعداد نسخههای قابل جستوجو را مشخص میکند. افزایش هرکدام، نیاز ذخیرهسازی متفاوتی ایجاد میکند. مثال زیر نشان میدهد چگونه با حجم داده یکسان و RF ثابت، افزایش SF از ۲ به ۳، فضای مدلشده کل کلاستر را از ۴۸۰ به ۶۰۰ گیگابایت میرساند؛ محاسبهای که نقطه شروع ظرفیتسنجی است و باید سربار و فضای آزاد عملیاتی نیز به آن اضافه شود.
با فرض اینکه R حجم داده خام فشردهشده و T حجم فایلهای جستوجو برای یک نسخه searchable باشد، فضای مدلشده کل کلاستر برابر است شکل زیر
پس افزایش SF از ۲ به ۳، در این مثال ۱۲۰ گیگابایت فضای بیشتر میخواهد. نسخههای searchable جزو همان سه نسخه RF هستند؛ RF و SF را با یکدیگر جمع نمیکنیم.
موارد خارج از این محاسبه:
فضای سیستمعامل، نصب Splunk و لاگهای داخلی.
فضای آزاد عملیاتی و فضای موقت موردنیاز هنگام ترمیم و جابهجایی bucketها.
رشد داده و تغییر حجم در طول دوره نگهداری.
شتابدهی Data Model، خلاصهها و سایر خروجیهای جستوجو.
فضای Search Head، خروجی jobها و فایلهای موقت جستوجو.
نسخههای پشتیبان و سربار RAID یا لایه ذخیرهسازی.
این اعداد مجموع فضای مدلشده کلاستر هستند؛ تعیین دیسک هر peer به توزیع داده، ظرفیت هنگام خرابی و حاشیه فضای آزاد هم نیاز دارد.
🕹برای درک و آموزش این مطالب با ما باشید تا به یک مهارت در حد ادمین قابل اسپلانک برسید
✅️شروع دوره اسپلانک ادمین صفر تا صد ۲۹ آبان
ثبت نام واتس اپ 09902857290
در طراحی کلاستر Splunk، تعداد Indexerها بهتنهایی تعیینکننده ظرفیت ذخیرهسازی نیست. Replication Factor یا RF تعداد نسخههای داده و Search Factor یا SF تعداد نسخههای قابل جستوجو را مشخص میکند. افزایش هرکدام، نیاز ذخیرهسازی متفاوتی ایجاد میکند. مثال زیر نشان میدهد چگونه با حجم داده یکسان و RF ثابت، افزایش SF از ۲ به ۳، فضای مدلشده کل کلاستر را از ۴۸۰ به ۶۰۰ گیگابایت میرساند؛ محاسبهای که نقطه شروع ظرفیتسنجی است و باید سربار و فضای آزاد عملیاتی نیز به آن اضافه شود.
با فرض اینکه R حجم داده خام فشردهشده و T حجم فایلهای جستوجو برای یک نسخه searchable باشد، فضای مدلشده کل کلاستر برابر است شکل زیر
پس افزایش SF از ۲ به ۳، در این مثال ۱۲۰ گیگابایت فضای بیشتر میخواهد. نسخههای searchable جزو همان سه نسخه RF هستند؛ RF و SF را با یکدیگر جمع نمیکنیم.
موارد خارج از این محاسبه:
فضای سیستمعامل، نصب Splunk و لاگهای داخلی.
فضای آزاد عملیاتی و فضای موقت موردنیاز هنگام ترمیم و جابهجایی bucketها.
رشد داده و تغییر حجم در طول دوره نگهداری.
شتابدهی Data Model، خلاصهها و سایر خروجیهای جستوجو.
فضای Search Head، خروجی jobها و فایلهای موقت جستوجو.
نسخههای پشتیبان و سربار RAID یا لایه ذخیرهسازی.
این اعداد مجموع فضای مدلشده کلاستر هستند؛ تعیین دیسک هر peer به توزیع داده، ظرفیت هنگام خرابی و حاشیه فضای آزاد هم نیاز دارد.
🕹برای درک و آموزش این مطالب با ما باشید تا به یک مهارت در حد ادمین قابل اسپلانک برسید
✅️شروع دوره اسپلانک ادمین صفر تا صد ۲۹ آبان
ثبت نام واتس اپ 09902857290
🔥3❤1
آکادمی آموزش روزبه 📚
🚨شروع کلاس ۱۶ روز دیگر واتس اپ 09902857290
آیا SSD سربار RAID را در Splunk بیاهمیت میکند؟
در طراحی ذخیرهسازی Splunk، انتخاب SSD برای دادههای Hot/Warm ایندکسر و ذخیرهسازی Data Model، مطابق توصیه رسمی سازنده است. برای کش محلی SmartStore نیز SSD یا NVMe توصیه میشود. بااینحال، انتخاب رسانه سریع، پایان طراحی ذخیرهسازی نیست.
مقوله SSD نوع رسانه است و RAID شیوه سازماندهی و حفاظت از دیسکها. بنابراین آرایهای متشکل از SSD نیز، در صورت استفاده از RAID 5 یا RAID 6، سربار محاسبه و بهروزرسانی Parity دارد. شدت اثر این سربار به الگوی نوشتن، توان کنترلر، کش و ظرفیت واقعی آرایه وابسته است؛ صرف استفاده از RAID 6 به معنای عملکرد نامناسب نیست.
سناریوی حساس زمانی شکل میگیرد که دریافت و ایندکسکردن لاگ، جستوجوهای همزمان و Data Model Acceleration با بازسازی RAID پس از خرابی دیسک همزمان شوند. در چنین شرایطی، افزایش تأخیر ذخیرهسازی میتواند ورود داده و اجرای جستوجو را تحت تأثیر قرار دهد. حتی در SmartStore، بازیابی همزمان چند Bucket از Object Storage میتواند فشار نوشتن قابلتوجهی روی کش محلی ایجاد کند. Splunk مشخصاً درباره احتمال پاسخگونبودن RAID 5/6 به این بار نوشتن هشدار داده است.
از منظر ارزیابی معماری، پرسش اصلی این است: آیا آرایه در زمان اوج بار و هنگام Rebuild نیز تأخیر و توان عملیاتی قابلقبولی دارد؟
برای پاسخ، باید تأخیر خواندن و نوشتن، عمق صف دیسک، توان عملیاتی، صفهای ایندکسینگ و زمان اجرای جستوجو را در کنار هم سنجید. SSD انتخاب مهمی است؛ اما پذیرش طراحی باید بر عملکرد اندازهگیریشده در شرایط واقعی و خرابی استوار باشد.
🕹برای درک و آموزش این مطالب با ما باشید تا به یک مهارت در حد ادمین قابل اسپلانک برسید
✅دوره صفر تا صد اسپلانک ادمین
۲۹ آبان
واتس اپ 09902857290
در طراحی ذخیرهسازی Splunk، انتخاب SSD برای دادههای Hot/Warm ایندکسر و ذخیرهسازی Data Model، مطابق توصیه رسمی سازنده است. برای کش محلی SmartStore نیز SSD یا NVMe توصیه میشود. بااینحال، انتخاب رسانه سریع، پایان طراحی ذخیرهسازی نیست.
مقوله SSD نوع رسانه است و RAID شیوه سازماندهی و حفاظت از دیسکها. بنابراین آرایهای متشکل از SSD نیز، در صورت استفاده از RAID 5 یا RAID 6، سربار محاسبه و بهروزرسانی Parity دارد. شدت اثر این سربار به الگوی نوشتن، توان کنترلر، کش و ظرفیت واقعی آرایه وابسته است؛ صرف استفاده از RAID 6 به معنای عملکرد نامناسب نیست.
سناریوی حساس زمانی شکل میگیرد که دریافت و ایندکسکردن لاگ، جستوجوهای همزمان و Data Model Acceleration با بازسازی RAID پس از خرابی دیسک همزمان شوند. در چنین شرایطی، افزایش تأخیر ذخیرهسازی میتواند ورود داده و اجرای جستوجو را تحت تأثیر قرار دهد. حتی در SmartStore، بازیابی همزمان چند Bucket از Object Storage میتواند فشار نوشتن قابلتوجهی روی کش محلی ایجاد کند. Splunk مشخصاً درباره احتمال پاسخگونبودن RAID 5/6 به این بار نوشتن هشدار داده است.
از منظر ارزیابی معماری، پرسش اصلی این است: آیا آرایه در زمان اوج بار و هنگام Rebuild نیز تأخیر و توان عملیاتی قابلقبولی دارد؟
برای پاسخ، باید تأخیر خواندن و نوشتن، عمق صف دیسک، توان عملیاتی، صفهای ایندکسینگ و زمان اجرای جستوجو را در کنار هم سنجید. SSD انتخاب مهمی است؛ اما پذیرش طراحی باید بر عملکرد اندازهگیریشده در شرایط واقعی و خرابی استوار باشد.
🕹برای درک و آموزش این مطالب با ما باشید تا به یک مهارت در حد ادمین قابل اسپلانک برسید
✅دوره صفر تا صد اسپلانک ادمین
۲۹ آبان
واتس اپ 09902857290
🔥2👏2
کلاستر در اسپلانک
در Splunk، کلاستر معمولاً به دو مجموعه متفاوت اشاره دارد: Indexer Cluster برای نگهداری و تکثیر داده و Search Head Cluster برای دسترسپذیری بخش جستوجو.
۱. Indexer Cluster
از این اجزا تشکیل میشود:
- Cluster Manager:
وضعیت Indexerها و نسخههای داده را کنترل و تکثیر و ترمیم را هماهنگ میکند. لاگهای اصلی برای ذخیرهسازی به آن ارسال نمیشوند.
- Indexer Peerها:
دادهها را دریافت، ایندکس و ذخیره میکنند؛ نسخههای داده را مستقیم میان یکدیگر تکثیر میکنند و به جستوجوها پاسخ میدهند.
- Search Head
متصل به کلاستر: جستوجو را به Peerها میفرستد و نتایج را تجمیع میکند. خودش عضو مجموعه Peerهای ذخیرهسازی نیست.
مثال: یک cm01، سه Indexer با نامهای idx01 تا idx03 و یک Search Head به نام sh01 داریم.
۲. Search Head Cluster یا SHC
شامل این اجزاست:
- Search Head Memberها:
چند Search Head که قابلیت جستوجو و تنظیمات مرتبط را بهصورت هماهنگ ارائه میکنند.
- Captain:
یکی از همان Memberهاست که نقش هماهنگی، از جمله زمانبندی جستوجوها، را بر عهده میگیرد؛ سرور جداگانهای نیست.
- Deployer:
تنظیمات و Appهای مشترک را روی اعضای SHC توزیع میکند؛ عضو SHC نیست.
UF، Deployment Server، License Manager و Monitoring Console
هم ممکن است در معماری حضور داشته باشند، اما هرکدام نقش پشتیبان یا دریافت داده دارند و نباید با اعضای این دو کلاستر اشتباه گرفته شوند.
پس در معماری کامل، Indexer Cluster مسئول داده است و Search Head Cluster مسئول سرویس جستوجو؛ هرکدام هماهنگکننده و سازوکار مستقل خود را دارند.
🌼✅️ درآمد خود را ارتقا دهید با دوره ادمین اسپلانک
واتس اپ 09902857290
🏮با معرفی هر فرد ، 10 درصد تخفیف بگیرید
در Splunk، کلاستر معمولاً به دو مجموعه متفاوت اشاره دارد: Indexer Cluster برای نگهداری و تکثیر داده و Search Head Cluster برای دسترسپذیری بخش جستوجو.
۱. Indexer Cluster
از این اجزا تشکیل میشود:
- Cluster Manager:
وضعیت Indexerها و نسخههای داده را کنترل و تکثیر و ترمیم را هماهنگ میکند. لاگهای اصلی برای ذخیرهسازی به آن ارسال نمیشوند.
- Indexer Peerها:
دادهها را دریافت، ایندکس و ذخیره میکنند؛ نسخههای داده را مستقیم میان یکدیگر تکثیر میکنند و به جستوجوها پاسخ میدهند.
- Search Head
متصل به کلاستر: جستوجو را به Peerها میفرستد و نتایج را تجمیع میکند. خودش عضو مجموعه Peerهای ذخیرهسازی نیست.
مثال: یک cm01، سه Indexer با نامهای idx01 تا idx03 و یک Search Head به نام sh01 داریم.
۲. Search Head Cluster یا SHC
شامل این اجزاست:
- Search Head Memberها:
چند Search Head که قابلیت جستوجو و تنظیمات مرتبط را بهصورت هماهنگ ارائه میکنند.
- Captain:
یکی از همان Memberهاست که نقش هماهنگی، از جمله زمانبندی جستوجوها، را بر عهده میگیرد؛ سرور جداگانهای نیست.
- Deployer:
تنظیمات و Appهای مشترک را روی اعضای SHC توزیع میکند؛ عضو SHC نیست.
UF، Deployment Server، License Manager و Monitoring Console
هم ممکن است در معماری حضور داشته باشند، اما هرکدام نقش پشتیبان یا دریافت داده دارند و نباید با اعضای این دو کلاستر اشتباه گرفته شوند.
پس در معماری کامل، Indexer Cluster مسئول داده است و Search Head Cluster مسئول سرویس جستوجو؛ هرکدام هماهنگکننده و سازوکار مستقل خود را دارند.
🌼✅️ درآمد خود را ارتقا دهید با دوره ادمین اسپلانک
واتس اپ 09902857290
🏮با معرفی هر فرد ، 10 درصد تخفیف بگیرید
❤4🔥1
Media is too big
VIEW IN TELEGRAM
داشتن لاگ در SIEM الزاماً به معنای توانایی کشف تهدید نیست. چارچوب DeTT&CT کمک میکند کیفیت منابع داده، قابلیت مشاهده رفتار مهاجم و پوشش کشف را بر مبنای MITRE ATT&CK ارزیابی کنیم. مثلاً ثبت اجرای PowerShell امکان بررسی فعالیت را فراهم میکند، اما بدون منطق تشخیص مناسب، اجرای مخرب ممکن است شناسایی نشود. در این رویکرد، ابتدا تکنیکهای مرتبط با تهدیدهای سازمان انتخاب میشوند؛ سپس دادهها و قابلیتهای کشف ارزیابی و نتایج در ATT&CK Navigator نمایش داده میشوند. خروجی، تصویری از شکافهای دفاعی است که اولویت جمعآوری لاگ، توسعه قواعد و آزمون سناریوهای حمله را برای تیم امنیت سازمان مشخص میکند.
**ویدئوی فوق ، در این مسیر آموزنده است
**ویدئوی فوق ، در این مسیر آموزنده است
❤4🤝2
از حضور در کلاس تا توانمندی حرفهای؛ چگونه آموزش را به نتیجه برسانیم؟
✍️روزبه نوروزی
پس از شانزده سال تدریس در حوزه امنیت اطلاعات، یکی از مهمترین دریافتهای من این است که موفقیت آموزشی، حاصل همراهی مستمر مدرس و دانشجوست. سرفصل جامع، تدریس مسلط و کارگاه عملی، مسیر را میسازند؛ مطالعه، تمرین و تعهد دانشجو، حرکت در این مسیر را ممکن میکنند.
پرسش اینجاست: چرا برخی دانشجویان، باوجود شروع پرانرژی، در میانه دوره مشارکت کمتری دارند و چگونه میتوان به استمرار یادگیری آنها کمک کرد؟
پاسخ را باید در مجموعهای از عوامل جستوجو کرد: مشغلههای شغلی، فشارهای زندگی، فاصله پیشنیازها، دشواری تمرینها و گاهی انباشتهشدن مباحث مرورنشده. کاهش فعالیت همیشه به معنای کاهش علاقه نیست؛ ممکن است دانشجو برای ادامه مسیر، به راهنمایی یا تجربه یک موفقیت کوچک نیاز داشته باشد.
راهکار، تبدیل آموزش به مسیری روشن و قابل پیگیری است: تعیین خروجی عملی هر بخش، تمرینهای تدریجی، بازخورد بهموقع و شناسایی زودهنگام موانع. دانشجو نیز با اختصاص زمان منظم، طرح پرسش و انجام تمرین، سهم تعیینکننده خود را ایفا میکند.
نگاه من در آکادمی روزبه این است که ارزش آموزش در توانایی استفاده از آموختهها آشکار میشود. هدف مشترک ما، پرورش متخصصی است که با اعتمادبهنفس، استقلال و پشتکار، مسائل واقعی را حل کند.
✍️روزبه نوروزی
پس از شانزده سال تدریس در حوزه امنیت اطلاعات، یکی از مهمترین دریافتهای من این است که موفقیت آموزشی، حاصل همراهی مستمر مدرس و دانشجوست. سرفصل جامع، تدریس مسلط و کارگاه عملی، مسیر را میسازند؛ مطالعه، تمرین و تعهد دانشجو، حرکت در این مسیر را ممکن میکنند.
پرسش اینجاست: چرا برخی دانشجویان، باوجود شروع پرانرژی، در میانه دوره مشارکت کمتری دارند و چگونه میتوان به استمرار یادگیری آنها کمک کرد؟
پاسخ را باید در مجموعهای از عوامل جستوجو کرد: مشغلههای شغلی، فشارهای زندگی، فاصله پیشنیازها، دشواری تمرینها و گاهی انباشتهشدن مباحث مرورنشده. کاهش فعالیت همیشه به معنای کاهش علاقه نیست؛ ممکن است دانشجو برای ادامه مسیر، به راهنمایی یا تجربه یک موفقیت کوچک نیاز داشته باشد.
راهکار، تبدیل آموزش به مسیری روشن و قابل پیگیری است: تعیین خروجی عملی هر بخش، تمرینهای تدریجی، بازخورد بهموقع و شناسایی زودهنگام موانع. دانشجو نیز با اختصاص زمان منظم، طرح پرسش و انجام تمرین، سهم تعیینکننده خود را ایفا میکند.
نگاه من در آکادمی روزبه این است که ارزش آموزش در توانایی استفاده از آموختهها آشکار میشود. هدف مشترک ما، پرورش متخصصی است که با اعتمادبهنفس، استقلال و پشتکار، مسائل واقعی را حل کند.
❤6🔥1