Python Forensics - Memoria e analisi forense

In questo capitolo, ci concentreremo sullo studio della memoria volatile con l'aiuto di Volatility, un framework forense basato su Python applicabile sulle seguenti piattaforme: Android e Linux.

Memoria volatile

La memoria volatile è un tipo di memoria in cui i contenuti vengono cancellati quando il sistema viene spento o interrotto. La RAM è il miglior esempio di memoria volatile. Significa che se stavi lavorando su un documento che non è stato salvato in una memoria non volatile, come un disco rigido, e il computer ha perso l'alimentazione, tutti i dati andranno persi.

In generale, le indagini forensi sulla memoria volatile seguono lo stesso schema di altre indagini forensi -

  • Selezione del target dell'indagine
  • Acquisizione di dati forensi
  • Analisi forense

La base volatility plugins che vengono utilizzati per Android raccoglie RAM dumpper l'analisi. Una volta che il dump della RAM viene raccolto per l'analisi, è importante iniziare a cercare malware nella RAM.

Regole YARA

YARA è uno strumento popolare che fornisce un linguaggio robusto, è compatibile con le espressioni regolari basate su Perl e viene utilizzato per esaminare i file / directory sospetti e le stringhe di corrispondenza.

In questa sezione, utilizzeremo YARA in base all'implementazione del pattern matching e li combineremo con l'alimentazione di rete. Il processo completo sarà utile per l'analisi forense.

Esempio

Considera il codice seguente. Questo codice aiuta a estrarre il codice.

import operator
import os
import sys

sys.path.insert(0, os.getcwd())
import plyara.interp as interp

# Plyara is a script that lexes and parses a file consisting of one more Yara
# rules into a python dictionary representation.
if __name__ == '__main__': 
   file_to_analyze = sys.argv[1] 
   rulesDict = interp.parseString(open(file_to_analyze).read()) 
   authors = {} 
   imps = {} 
   meta_keys = {} 
   max_strings = [] 
   max_string_len = 0 
   tags = {} 
   rule_count = 0  

   for rule in rulesDict: 
      rule_count += 1  
   
   # Imports 
   if 'imports' in rule: 
      for imp in rule['imports']: 
         imp = imp.replace('"','') 
         
         if imp in imps: 
            imps[imp] += 1 
         else: 
            imps[imp] = 1  
   # Tags 
   if 'tags' in rule: 
      for tag in rule['tags']: 
         if tag in tags: 
            tags[tag] += 1 
         else: 
            tags[tag] = 1
            
   # Metadata 
   if 'metadata' in rule: 
      for key in rule['metadata']: 
         if key in meta_keys: 
            meta_keys[key] += 1
         else: 
            meta_keys[key] = 1 
         
         if key in ['Author', 'author']: 
            if rule['metadata'][key] in authors: 
               authors[rule['metadata'][key]] += 1 
            else: 
               authors[rule['metadata'][key]] = 1  

   #Strings 
   if 'strings' in rule: 
      for strr in rule['strings']: 
         if len(strr['value']) > max_string_len: 
            max_string_len = len(strr['value']) 
            max_strings = [(rule['rule_name'], strr['name'], strr['value'])] 
         elif len(strr['value']) == max_string_len: 
            max_strings.append((rule['rule_name'], strr['key'], strr['value']))  
   
   print("\nThe number of rules implemented" + str(rule_count))
   ordered_meta_keys = sorted(meta_keys.items(), key = operator.itemgetter(1),
      reverse = True)
   ordered_authors = sorted(authors.items(), key = operator.itemgetter(1), 
      reverse = True)
   ordered_imps = sorted(imps.items(), key = operator.itemgetter(1), reverse = True)
   ordered_tags = sorted(tags.items(), key = operator.itemgetter(1), reverse = True)

Il codice precedente produrrà il seguente output.

Il numero di regole YARA implementate aiuta a fornire un'immagine migliore dei file sospetti. Indirettamente, l'elenco dei file sospetti aiuta a raccogliere informazioni appropriate per la scientifica.

Di seguito è riportato il codice sorgente in GitHub: https://github.com/radhikascs/Python_yara