جلسهی 14: فارنزیک شبکه: پیدا کردن تماسهای منظم بدافزار Network Forensics: Spotting Beaconing
رکورد جریانها (NetFlow و conn.log در Zeek) فقط فرادادهاند ولی حتی با TLS خیلی چیزها را لو میدهند. سه نشانه را دنبال میکنی: بدافزاری که با ریتمی ثابت به سرورش زنگ میزند (beaconing)، آپلودهای بزرگ و غیرعادی، و نامهای DNS بلند و تصادفی. ابزار پایتونی امروز collections.Counter و ماژول statistics است: فاصلهها، میانگین، انحراف معیار و ضریب تغییرات.
در این جلسه یاد میگیری
- میدانی رکورد جریان چه دارد و چه ندارد، و چرا با ترافیک رمزشده هم به کار میآید.
- با
Counter،most_commonوstatistics(mean،pstdev،median) شمارش و آمار میگیری. - تماس منظم (beaconing) را با فاصلهی اتصالها و ضریب تغییرات تشخیص میدهی و هشدار اشتباهش را میشناسی.
- آپلود بزرگ و نامهای DNS بلند و تصادفی (تونل DNS) را پیدا میکنی و میدانی یک نشانه هنوز مدرک نیست.
درس
⚠️ قانون طلایی این دوره: فقط با اجازهی کتبی، و فقط در محدودهی همان اجازه. هر چه یاد میگیری را روی دستگاه، حساب و آزمایشگاه خودت امتحان کن، یا روی سیستمی که صاحبش اجازهی کتبی داده، و فقط در محدودهای (scope) که در همان اجازه نوشته شده: کدام IPها و دامنهها، کدام کارها، تا چه تاریخی. دسترسی بدون مجوز، شنود ترافیک دیگران یا از کار انداختن یک سرویس، حتی «فقط برای تست»، طبق قانون جرایم رایانهای جرم است و میتواند آیندهی شغلیات را پیش از شروع خراب کند. ضعفی پیدا کردی؟ فقط به صاحبش خبر بده، از راه افشای مسئولانه (responsible disclosure)، نه در شبکههای اجتماعی. این دوره دفاعی است: همهی بستهها، لاگها و تنظیمات آن ساختگیاند.
🔁 یادت هست؟ (جلسهی ۳ و آزمایشگاه جلسهی ۱۲) برای شمردن چیزی به ازای هر IP، دیکشنری میساختیم و counts.get(ip, 0) + 1 میگذاشتیم؛ get اگر کلید نبود صفر میداد. امروز همین کار را کوتاهتر با Counter میکنیم.
counts = {}
for ip in ["192.168.10.5", "192.168.10.7", "192.168.10.5"]:
counts[ip] = counts.get(ip, 0) + 1
print(counts)رکورد جریان (flow record). روتر و دیوارهی آتش با NetFlow یا IPFIX، و سنسور Zeek روی پورت SPAN شبکهی خودمان با conn.log، برای هر اتصال یک خط مینویسند: زمان شروع، مبدأ و مقصد و پورتها، پروتکل، مدت، بایتهای رفته و آمده و تعداد بستهها. محتوای بستهها در آن نیست؛ برای همین با TLS هم کار میکند، کمتر به حریم خصوصی دست میزند و میشود ماهها نگهش داشت. یک تکهی ساختگی:ts=08:00:00 src=192.168.10.23 dst=198.51.100.200 dport=443 dur=0.4 out=310 in=1200ts=08:01:00 src=192.168.10.23 dst=198.51.100.200 dport=443 dur=0.3 out=305 in=1180
هر دقیقه یک اتصال کوتاه با اندازهی تقریباً ثابت: همین الگو امروز ما را کنجکاو میکند.
پایتون: Counter و statistics. from collections import Counter. Counter(list) هر چیز را میشمارد؛ c[x] شمار آن است (برای چیزی که نیست صفر)، c[x] += n اضافه میکند، و c.most_common(2) فهرستی از جفتهای (چیز، شمار) از بیشتر به کمتر میدهد. import statistics: statistics.mean میانگین، statistics.median میانه، و statistics.pstdev انحراف معیار (چقدر عددها دور میانگین پخشاند؛ صفر یعنی همه برابر). ⚠️ statistics.mean روی عددهای صحیح گاهی عدد صحیح میدهد (mean([2, 4]) میشود 3)؛ sum(x) / len(x) همیشه اعشاری است.
from collections import Counter
import statistics
dsts = ["198.51.100.200", "203.0.113.9", "198.51.100.200"]
c = Counter(dsts)
print(c["198.51.100.200"], c["192.0.2.1"], c.most_common(1))
c["203.0.113.9"] += 5
print(c.most_common(2))
gaps = [58, 62, 58, 62]
print(statistics.mean(gaps), statistics.pstdev(gaps), statistics.median([3, 1, 2]))beaconing: تماس منظم با خانه. بدافزار برای گرفتن دستور با سرور فرمان و کنترل (C2) حرف میزند (تاکتیک ATT&CK: Command and Control؛ تکنیک T1071 Application Layer Protocol)، معمولاً با ریتم ثابت، مثلاً هر ۶۰ ثانیه، و با اتصالهای کوچک و هماندازه. روش تشخیص برای هر جفت (مبدأ، مقصد): زمانها را مرتب کن، فاصلهها را بگیر، میانگین فاصله را با sum(gaps) / len(gaps) و پخش آن را با pstdev حساب کن. ضریب تغییرات cv = pstdev / mean اگر خیلی کوچک باشد (مثلاً کمتر از 0.1) و اتصالها کم نباشند (مثلاً دستکم ۶)، ریتم مشکوک به ماشین است، نه آدم. مهاجمها برای پنهان شدن jitter (نوسان تصادفی) اضافه میکنند و cv بالا میرود؛ پس آستانه را با دقت انتخاب کن. ⚠️ هشدار اشتباه: بهروزرسانی سیستمعامل، NTP، عاملهای مانیتورینگ و برنامهی ایمیل هم منظم تماس میگیرند؛ آنها را در فهرست مجاز بگذار.
import statistics
times = [0, 60, 121, 180, 241, 300]
gaps = []
for i in range(1, len(times)):
gaps.append(times[i] - times[i - 1])
mean = sum(gaps) / len(gaps)
cv = statistics.pstdev(gaps) / mean
print(gaps, round(mean, 1), round(cv, 3))آپلودهای بزرگ: بیرون بردن داده (تاکتیک Exfiltration؛ مثلاً T1048 Exfiltration Over Alternative Protocol و T1567 به سرویس ابری). بیشتر کامپیوترهای کارمندی دانلودکنندهاند؛ کامپیوتری که ناگهان گیگابایتها میفرستد دیدنی است. نشانهها: جمع بایتهای رفته به ازای هر میزبان و مقصد، نسبت رفته به آمده، ساعت غیرعادی (نیمهشب)، و مقصدی که پیش از این هرگز دیده نشده. در پایتون: out = Counter() و برای هر جریان out[(src, dst)] += bytes_out، بعد most_common.
from collections import Counter
flows = [("192.168.10.5", "198.51.100.20", 3000), ("192.168.10.31", "203.0.113.99", 2100000000),
("192.168.10.5", "198.51.100.20", 5000), ("192.168.10.7", "198.51.100.53", 900)]
out = Counter()
for src, dst, sent in flows:
out[(src, dst)] += sent
for pair, total in out.most_common(2):
print(pair[0], "->", pair[1], round(total / 1000000, 1), "MB")نامهای DNS بلند و تصادفی. در تونل DNS داده را تکهتکه در برچسب زیردامنهها میگذارند (a9f3k2m8q1z7x5c4v6b0n2m4l8k1j3.exfil-cdn.test) و چون DNS تقریباً همه جا باز است، از دیوارهی آتش رد میشود. بدافزارهایی با DGA هم هر روز صدها نام تصادفی میسازند. نشانهها: برچسبهای خیلی بلند، پر از رقم و بیمعنی، تعداد زیاد نام یکتا زیر یک دامنهی والد، و NXDOMAINهای زیاد. در پایتون: labels = name.split(".")، والد ".".join(labels[-2:])، طول برچسبها با len، و نامهای یکتای هر والد در یک set.
name = "a9f3k2m8q1z7x5c4v6b0n2m4l8k1j3.exfil-cdn.test"
labels = name.split(".")
parent = ".".join(labels[-2:])
digits = 0
for ch in labels[0]:
if ch.isdigit():
digits += 1
print(parent, len(labels[0]), digits)
unique = {}
for q in ["x1.cdn.example", "x2.cdn.example", "x1.cdn.example"]:
unique.setdefault(".".join(q.split(".")[-2:]), set()).add(q)
print(len(unique["cdn.example"]))یک نشانه هنوز مدرک نیست، و قانون مهم است.
- هر نشانه را با بقیه همبسته کن: کدام کامپیوتر؟ کدام کاربر؟ کدام برنامه آن اتصال را باز کرده (EDR)؟ این مقصد چه شهرتی دارد؟
- هرگز به سرور C2 «حملهی متقابل» نکن (hack back): غیرقانونی است و ممکن است سرور یک قربانی دیگر باشد.
- مدرک را نگه دار: کپی لاگها و جریانها، هش آنها و ثبت اینکه چه کسی کی به آن دست زده (زنجیرهی نگهداری، chain of custody)، و ماجرا را به تیم پاسخ به حادثه بسپار.
- فقط روی دادهی سازمان خودت و طبق سیاست آن؛ لاگ و جریان هم حریم خصوصی آدمهاست.
مثالهای این جلسه
- مثال دیکشنری در پایتون: counts[ip] = counts.get(ip, 0) + 1
- مثال لیست در پایتون: dsts = ["198.51.100.200", "203.0.113.9", "1…
- مثال حلقه for در پایتون: for i in range(1, len(times)):
- مثال حلقه for در پایتون: for src, dst, sent in flows:
- مثال حلقه for در پایتون: for ch in labels[0]:
چالشها
- Count per Destination (آسان)
- What a Flow Record Lacks (آسان)
- Counter and Spread (متوسط)
- The Suspicious Upload (متوسط)
- A Beacon Detector (سخت)
- Tunnel in the DNS (سخت)
بیشتر بخوان
- دیکشنری در پایتون: آموزش کامل کلید و مقدار با مثال
- لیست در پایتون: آموزش کامل list با مثال، متدها و نکتهها
- حلقه for در پایتون: آموزش کامل با range و مثال
← جلسهی 13: لاگ و SIEM، خط زمانی و MITRE ATT&CK جلسهی 15: آزمایشگاه قانونی و مسیر شغلی →