آکادمی آموزش روزبه 📚
3.99K subscribers
4.61K photos
185 videos
1.48K files
6.98K links
🍎آموزش و ترویج علمی فناوری اطلاعات ، امنیت و مدیریت پروژه های مرتبط
🍁 و کمی هم اخلاق و انسانیت

Training of Information Technology, Cyber Security, Project Management, Ethics and Humanitarian

ارتباط با مدیر کانال:
@roozbehadm
Download Telegram
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 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
👍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
🔥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.
❤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
🏮شروع کلاس ۱۶ روز دیگر
واتس اپ 09902857290
🔥5
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
🔥3❤1
🚨شروع کلاس ۱۶ روز دیگر
واتس اپ 09902857290
🔥3❤2
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
🔥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
❤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
❤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.
❤6🔥1
یه کاربرد از اسپلانک: کشف تقلب با کنار هم گذاشتن اتفاق‌هایی که جداگانه عادی به نظر می‌رسن!

فرض کنید در یک فروشگاه اینترنتی:

- مشتری رمز حسابش رو تغییر می‌ده.
- چند دقیقه بعد، از دستگاهی جدید وارد می‌شه.
- آدرس تحویل رو عوض می‌کنه.
- با اعتبار حساب، خرید سنگینی انجام می‌ده.

هر اتفاق به‌تنهایی می‌تونه طبیعی باشه؛ اما ترکیب و ترتیب اون‌ها می‌تونه نشونه تصاحب حساب و خرید متقلبانه باشه.

اسپلانک می‌تونه داده‌های ورود، تغییرات حساب و سفارش‌ها رو با شناسه مشتری و زمان به هم مرتبط کنه، برای این الگو هشدار بده و با اتصال به سامانه‌های دیگر، سفارش رو برای بررسی ارجاع بده.

اینجا ارزش اسپلانک از دیدن یک لاگ فراتر می‌ره: از چند اتفاق پراکنده، یک داستان قابل‌بررسی می‌سازه.

✅️شما هم میتونی یه ادمین حرفه ای اسپلانک باشی که حتی بدون دانش امنیتی ، اسپلانک رو نصب کنی و درآمد خوبی داشته باشی
واتس اپ دوره اسپلانک صفر تا صد 09902857290
💯5🤝2👍1
#به_دانشجویانم

اگر میخوای ترقی کنی ، باید قربانی بدی
هرچی هدف بزرگتر ، قربانی بیشتر و پر درد تر !!

چون خواستن همه چیز با همه چیز جور نیست ، این قانون جهان است.


**نکته: حالا در چی میخوای ترقی کنی و چیو باید قربانی کنی ، خود دانی . والله اعلم
❤13💯3
از مشاهده C2 تا بازسازی ردپای مهاجم

فرض کنید بدافزاری وارد شبکه سازمان شده و پس از تلاش برای حرکت جانبی، شواهد اولیه از دسترسی موفق به دو میزبان حکایت دارد. ارتباطاتی مشکوک به فرماندهی و کنترل یا C2 نیز در Splunk مشاهده شده است. دامنه اولیه بررسی شامل هشت میزبان ویندوزی و دو میزبان لینوکسی است؛ اما هنوز نمی‌دانیم چه ابزارهایی اجرا شده‌اند، چه تغییراتی ایجاد شده و آیا اطلاعاتی از سازمان خارج شده است.

در چنین شرایطی، هدف فارنزیک صرفاً پیدا کردن فایل بدافزار نیست. باید مسیر ورود، حساب‌های استفاده‌شده، ارتباط میان پردازش‌ها، جابه‌جایی فایل‌ها و سازوکارهای ماندگاری بازسازی شود. آثار حافظه، لاگ‌ها و فایل‌سیستم می‌توانند به شناسایی ابزارهایی کمک کنند که تغییر نام داده‌اند یا حذف شده‌اند. حفظ شواهد پیش از پاک‌سازی، ثبت اقدامات و ساخت خط زمانی مشترک، پایه این بررسی است.

ابزارهای پیشنهادی برای این پرونده عبارت‌اند از:

- Velociraptor:
جمع‌آوری هدفمند شواهد و جست‌وجوی آثار مشابه روی میزبان‌های ویندوزی و لینوکسی.
- KAPE:
جمع‌آوری سریع آرتیفکت‌های منتخب ویندوز برای تریاژ.
- UAC:
جمع‌آوری آرتیفکت‌ها، لاگ‌ها و اطلاعات مرتبط با بررسی سامانه‌های لینوکسی.
- Volatility 3:
تحلیل ایمیج حافظه و بررسی پردازش‌ها و آثار موجود در RAM.
- Eric Zimmerman Tools:
تحلیل آرتیفکت‌های ویندوز، مانند MFT، رجیستری، Prefetch و میان‌برها.
- Hayabusa:
تحلیل رخدادهای ویندوز و برجسته‌سازی الگوهای مشکوک.
- Plaso:
استخراج و تجمیع رخدادها برای ساخت خط زمانی.
- Autopsy:
بررسی ایمیج دیسک، فایل‌سیستم و آثار قابل بازیابی.
- Splunk:
هم‌بستگی شواهد میزبان و شبکه برای بازسازی گستره فعالیت مهاجم.


در دوره‌های فارنزیک آکادمی روزبه و شرکت هامون می‌توانید اطلاعات بیشتری کسب کنید.
🔥3❤2⚡1
#تمرین امشب


سناریو فارنزیک : Prefetch حذف شده، اما لاگ ساخت پردازش اجرای برنامه را ثابت می‌کند.

فرض کنید در بررسی یک سیستم مشکوک، می‌خواهیم بدانیم فایل زیر اجرا شده یا فقط روی دیسک وجود داشته است:

C:\Users\Ali\Downloads\update.exe

به سراغ پوشه زیر می‌رویم، اما فایل Prefetch مرتبط را پیدا نمی‌کنیم؛ در سناریوی ما، این فایل پس از اجرا حذف شده است.

C:\Windows\Prefetch

آرتیفکت جایگزین: لاگ Sysmon

اگر Sysmon از قبل نصب بوده و ثبت ساخت پردازش برای این فایل فعال بوده باشد، می‌توانیم رویداد زیر را بررسی کنیم:

Event ID 1 — Process Creation

فرض کن رکوردی با این اطلاعات داریم:

UtcTime: 2026-11-14 10:32:18
Image: C:\Users\Ali\Downloads\update.exe
User: COMPANY\Ali
ParentImage: C:\Windows\explorer.exe
CommandLine: "C:\Users\Ali\Downloads\update.exe" /silent

این رویداد نشان می‌دهد پردازش فایل در زمان مشخص، تحت حساب علی و با پردازش والد مشخص ساخته شده است. Sysmon در این رویداد اطلاعاتی مانند خط فرمان، مشخصات والد و هش فایل را ثبت می‌کند.

پس نبود Prefetch مانع اثبات اجرای برنامه نشده است؛ لاگ ساخت پردازش، این بخش از خلأ شواهد را جبران می‌کند. البته اجرای برنامه به معنی موفق‌شدن عملیات آن نیست؛ برای اثبات مثلاً سرقت اطلاعات، به شواهد دیگری نیاز داریم.

نکته آموزشی: آرتیفکت جایگزین باید همان ادعا را پشتیبانی کند؛ وجود فایل روی دیسک، به‌تنهایی جای شواهد اجرای آن را نمی‌گیرد.
❤4👏2
آکادمی آموزش روزبه 📚
#تمرین امشب سناریو فارنزیک : Prefetch حذف شده، اما لاگ ساخت پردازش اجرای برنامه را ثابت می‌کند. فرض کنید در بررسی یک سیستم مشکوک، می‌خواهیم بدانیم فایل زیر اجرا شده یا فقط روی دیسک وجود داشته است: C:\Users\Ali\Downloads\update.exe به سراغ پوشه زیر می‌رویم،…
این Prefetch یکی از آرتیفکت‌های مهم ویندوز است که با هدف افزایش سرعت اجرای برنامه‌ها ایجاد می‌شود و در بررسی‌های جرم‌شناسی دیجیتال می‌تواند شواهد ارزشمندی از اجرای آن‌ها فراهم کند.
فایل‌های آن معمولاً در مسیر
C:\Windows\Prefetch
و با پسوند pf ذخیره می‌شوند. بسته به نسخه ویندوز، این فایل‌ها می‌توانند نام برنامه، تعداد دفعات اجرا، زمان آخرین اجرا و چند اجرای اخیر، همچنین فایل‌ها و پوشه‌های مورد استفاده هنگام شروع برنامه را نشان دهند. حتی اگر فایل اجرایی حذف شده باشد، Prefetch مرتبط ممکن است باقی بماند و به بازسازی فعالیت‌ها کمک کند. بااین‌حال، نبود Prefetch به‌تنهایی ثابت نمی‌کند که برنامه اجرا نشده است؛ ممکن است این قابلیت غیرفعال بوده یا شواهد آن حذف شده باشند.
❤5💯1
آمادگی آزمون CISSP
و استاندارد های پدافند غیر عامل کشور

قفس فارادی یک محفظه رساناست که با ایجاد شیلد الکترومغناطیسی، انتقال انرژی الکترومغناطیسی میان داخل و خارج را کاهش می‌دهد ( مورد استفاده در دیتاسنتر ها و مراکز حساس). در CISSP، این کنترل برای کاهش نشت اطلاعات از انتشار ناخواسته تجهیزات و حفاظت در برابر تداخل الکترومغناطیسی اهمیت دارد.

معیار رایج اثربخشی شیلد، Shielding Effectiveness یا SE است؛ واحد آن دسی‌بل، dB است. این معیار برای توان از رابطه SE = 10 log₁₀(P₀/P₁) محاسبه می‌شود؛ P₀ توان مرجع بدون شیلد و P₁ توان اندازه‌گیری‌شده با شیلد است.

بنابراین، شیلد ۴۰ دسی‌بل توان را ده‌هزار برابر، ۶۰ دسی‌بل یک‌میلیون برابر و ۸۰ دسی‌بل صد‌میلیون برابر کاهش می‌دهد. برای دامنه میدان، ضریب لگاریتم ۲۰ است؛ اشتباه‌گرفتن نسبت توان با دامنه میدان، خطای مفهومی مهمی است که دام آزمونی است.

اما کدام مقدار پذیرفتنی است؟ هیچ‌یک از این اعداد، آستانه عمومی قبولی CISSP یا تمام محیط‌های امن نیست. پذیرش به نوع سناریوی آزمون است که در آن حساسیت اطلاعات، شدت تهدید، فرکانس، نوع میدان و الزامات پروژه وابسته است. عملکرد ۸۰ دسی‌بل در یک فرکانس، تضمین‌کننده همان عملکرد در فرکانس‌های دیگر نیست.

خانواده استاندارد IEEE 299 روش ارزیابی محفظه‌های شیلدشده را ارائه می‌کند. آزمون باید درزها، درها، تهویه و ورودی کابل‌ها را پوشش دهد. نکته آزمونی کلیدی: کارایی کل محفظه و انطباق با نیاز امنیتی، از عدد تبلیغاتی جنس شیلد مهم‌تر است.

دوره ۸۲ از CISSP بنده در دیماه
ثبت نام از طریق 09902857290
🙏4
وقتی PID کافی نیست؛ چالش شناسایی پردازش‌ها در محیط‌های کانتینری


در محیط‌های کانتینری، اتکا به PID برای شناسایی پردازش‌ها می‌تواند تحلیل امنیتی را گمراه کند. لینوکس با سازوکار PID Namespace، امکان نمایش شماره‌های متفاوت برای یک پردازش در فضای نام کانتینر و میزبان را فراهم می‌کند. بنابراین، پردازشی که داخل کانتینر PID برابر یک دارد، ممکن است روی میزبان با شماره دیگری دیده شود.

همچنین، دو کانتینر با فضای نام مستقل می‌توانند هم‌زمان پردازش‌هایی با PID یکسان داشته باشند، بدون اینکه آن پردازش‌ها ارتباطی با یکدیگر داشته باشند. پس یکسان‌بودن PID، اثبات یکسان‌بودن پردازش نیست.

این موضوع برای SOC اهمیت دارد؛ زیرا ترکیب لاگ‌های داخل کانتینر با تله‌متری میزبان، بدون نگاشت فضای نام، ممکن است زنجیره اجرای نادرستی بسازد یا ارتباط واقعی رویدادها را پنهان کند.

برای هم‌بستگی دقیق‌تر، باید شناسه میزبان، شناسه بوت، هویت کانتینر، فضای نام PID و زمان شروع پردازش ثبت شوند. استفاده یکدست از PID میزبان نیز ابهام را کاهش می‌دهد.

نکته کلیدی اینکه کانتینر ممکن است حذف و دوباره ایجاد شود؛ بنابراین نام آن کافی نیست. هویت پردازش باید هنگام جمع‌آوری رویداد ثبت شود، نه پس از رخداد.

توجه:پردازش کانتینر، خودش یکی از پردازش‌های میزبان است؛ اما ممکن است داخل کانتینر با PID متفاوتی دیده شود.

#مهندسی_کشف
#آکادمی_روزبه
❤6