Python Forensics - Memória e Forense

Neste capítulo, vamos nos concentrar em investigar a memória volátil com a ajuda de Volatility, uma estrutura forense baseada em Python aplicável nas seguintes plataformas: Android e Linux.

Memória volátil

A memória volátil é um tipo de armazenamento onde o conteúdo é apagado quando o sistema é desligado ou interrompido. RAM é o melhor exemplo de memória volátil. Isso significa que, se você estiver trabalhando em um documento que não foi salvo em uma memória não volátil, como um disco rígido, e o computador ficar sem energia, todos os dados serão perdidos.

Em geral, a análise forense de memória volátil segue o mesmo padrão de outras investigações forenses -

  • Selecionando o alvo da investigação
  • Aquisição de dados forenses
  • Análise forense

O básico volatility plugins que são usados ​​para coletas Android RAM dumppara análise. Depois que o dump de RAM é coletado para análise, é importante começar a procurar malware na RAM.

Regras YARA

YARA é uma ferramenta popular que fornece uma linguagem robusta, é compatível com expressões regulares baseadas em Perl e é usada para examinar os arquivos / diretórios suspeitos e as strings de correspondência.

Nesta seção, usaremos o YARA com base na implementação de correspondência de padrões e os combinaremos com a energia da concessionária. O processo completo será benéfico para a análise forense.

Exemplo

Considere o seguinte código. Este código ajuda a extrair o código.

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)

O código acima produzirá a seguinte saída.

O número de regras YARA implementadas ajuda a dar uma imagem melhor dos arquivos suspeitos. Indiretamente, a lista de arquivos suspeitos ajuda na coleta de informações apropriadas para perícia.

A seguir está o código-fonte no github: https://github.com/radhikascs/Python_yara