Ir al contenido

Geavanceerde technieken en data-ingestie met Plaso (log2timeline.py)

Experttechnieken om de prestaties van data-ingestie, collectiefilters en YARA-handtekeningsanalyse in Plaso te optimaliseren.

0lecturas

Dit document gaat ervan uit dat je de concepten uit de Plaso-basishandleiding al beheerst (basiscreatie van tijdlijnen, tijdzones, parsers en VSS).

We concentreren ons op geavanceerde casuïstiek: hoe u de CPU-prestaties maximaal kunt optimaliseren, hoe u gegevens kunt filteren voordat u ze verwerkt (bij het inlezen van bestanden), hoe u informatie uit handtekeningen kunt extraheren met behulp van YARA-regels en hoe u foutlogs kunt beheren bij forensisch onderzoek op grote schaal.


De analyse van schijven van 1 TB of groter kan dagen duren. Het optimaliseren van de parallelle engine van Plaso reduceert deze kritieke responstijd bij incidenten tot enkele uren.

Plaso is van nature multi-process. We kunnen expliciet het aantal CPU-werkprocessen (workers) definiëren en de grootte van de geheugenbuffers aanpassen:

  • ✔ --workers <NÚMERO>: Specificeert het aantal gelijktijdige processen dat moet worden gestart voor extractie en analyse op laag niveau.
    • Richtlijn: Het wordt aanbevolen om een aantal workers in te stellen dat gelijk is aan het totale aantal fysieke cores van je CPU (bijvoorbeeld: --workers 8). Bij gecomprimeerde E01‑images kan de bewerking beperkt worden door de bottleneck van de decompressor. Op RAW‑schijfstations gemonteerd op snelle SSD's geldt: hoe meer workers, hoe hoger de I/O‑snelheid.
  • ✔ --buffer_size <TAMAÑO>: Controleert de capaciteit in megabytes van de tussenliggende overdrachtsbuffer die door elk van de workers wordt gebruikt. Standaard wordt 1024MB toegewezen.
    • Richtlijn: In analytische systemen met veel RAM (bijvoorbeeld: 64 GB) kunnen we deze limiet verhogen naar --buffer_size 2048M om de prestaties te verbeteren en warme schijf‑schrijfbewerkingen te minimaliseren.

Voorbeeld van een geoptimaliseerd commando voor analysemachines (16 workers, 64GB RAM):

Sección titulada «Ejemplo de comando optimizado para máquinas analíticas (16 workers, 64GB RAM):»
Ventana de terminal
log2timeline.py --workers 16 --buffer_size 2048M --status_view linear /opt/forensics/cases/case-001/my_timeline.plaso /opt/forensics/cases/case-001/image.E01

In directe responsinterventies of triage-analyses is het verwerken van miljoenen tijdelijke bestanden, tijdelijke browserbestanden of irrelevante systeembestanden uiterst inefficiënt. We zijn alleen geïnteresseerd in uitvoer‑artefacten en het Windows‑logboek.

Via de parameter --file_filter kunnen we Plaso instrueren om uitsluitend de paden te indexeren en analyseren die overeenkomen met een verzamelingsfilter‑sjabloon:

Ventana de terminal
--file_filter <CAMINO_AL_ARCHIVO_FILTRO>
  • Opmerking: Deze filter werkt niet met complexe reguliere expressies, maar valideert of het pad van het bestand in de afbeelding begint met een van de regels uit het filtertekstbestand.
  1. Crea un archivo de texto de directiva llamado /opt/forensics/cases/case-001/triage_filter.txt con el siguiente listado de rutas clave:
    /Windows/System32/config/
    /Users/%/NTUSER.DAT
    /Users/%/AppData/Local/Microsoft/Windows/UsrClass.dat
    /Users/%/AppData/Roaming/Microsoft/Windows/Recent/
    /Users/%/AppData/Local/Microsoft/Windows/WebCache/
    /Windows/Prefetch/
  2. Ejecuta la ingesta de Plaso llamando al filtro preparado:
    Ventana de terminal
    log2timeline.py --file_filter /opt/forensics/cases/case-001/triage_filter.txt /opt/forensics/cases/case-001/my_triage_timeline.plaso /opt/forensics/cases/case-001/image.E01

Met deze actie wordt 90% van de irrelevante gebruikers- en systeembestanden overgeslagen, waardoor de verwerkingstijd wordt verkort van 24 uur naar minder dan 30 minuten.


4. Casus 3: Filtering op basis van YARA-handtekeningen

Sección titulada «4. Casuística 3: Filtrado Basado en Firmas YARA»

Het is vereist om elk bestand dat overeenkomt met kwaadaardige regels of handtekeningen automatisch te classificeren, te detecteren en te labelen tijdens dezelfde fase van ingestie en de constructie van de tijdlijn.

Plaso kan YARA-regels dynamisch laden en elk geanalyseerd bestand evalueren voordat het wordt geïndexeerd:

Ventana de terminal
# Ejecutar ingesta evaluando firmas yara
log2timeline.py --yara_rules /opt/forensics/rules/custom-signatures.yar /opt/forensics/cases/case-001/my_timeline.plaso /opt/forensics/cases/case-001/image.E01

Als een binair bestand (bijvoorbeeld: c:\temp\mimikatz.exe) overeenkomt met een van de regels in het signaturebestand, zal Plaso onmiddellijk een gebeurtenis genereren met de data_type “fs:yara_match” in de tijdlijn. Dit maakt het mogelijk om de datum van creatie van de dreiging direct te correleren met nabijgelegen netwerkverbindingen of wijzigingen in het register.


5. Casus 4: Uitgebreide Extractie van Hashes en Bronnen

Sección titulada «5. Casuística 4: Extracción Ampliada de Hashes y Recursos»

In het geval van een diepgaande malware-analyse of de noodzaak om de beschrijvende tekst van Windows-gebeurtenis-ID's te correleren (die standaard alleen numerieke codes tonen).

We kunnen de berekening van bestandshashes tijdens de inname forceren en de resolutie van strings uit EVTX-bestanden afdwingen:

Ventana de terminal
# Calcular hashes SHA-1 y SHA-256 de todos los archivos en la ingesta
log2timeline.py --hashers "sha1,sha256" ...
# Extraer texto y descripciones completas de los mensajes de los logs EVTX de Windows
log2timeline.py --extract_winevt_resources ...

Als de taak mislukt door logboekcorrupties of intermitterende blokkades, isoleer dan het proces of schakel de ZeroMQ-wachtrij uit (vooral nuttig in virtuele machines die last hebben van knelpunten in lokale sockets):

Ventana de terminal
# Redirigir todas las salidas de depuración a un log físico detallado
log2timeline.py --log_file /opt/forensics/cases/case-001/plaso_debug.log ...
# Desactivar la cola de red interna de ZeroMQ si experimentas congelaciones
log2timeline.py --disable_zeromq ...