performing-timeline-reconstruction-with-plaso

使用 Plaso 执行时间线重建

适用场景

• 需要从多个证据来源构建综合取证时间线时
• 关联文件系统元数据、事件日志、浏览器历史和注册表中的事件时
• 在需要按时间顺序重建活动的复杂调查中
• 当标准日志分析不足以确定事件序列时
• 以可视化、时间顺序格式呈现调查结果时

前置条件

• 取证工作站上已安装 Plaso（log2timeline/psort）
• 原始（dd）、E01 或 VMDK 格式的取证磁盘镜像
• 充足的 Plaso 输出存储空间（可能是镜像大小的 10 倍以上）
• 至少 8GB 内存（大型镜像建议 16GB+）
• Timeline Explorer（Eric Zimmerman）或 Timesketch 用于可视化
• 理解时间戳类型（MACB：修改、访问、更改、创建）

工作流程

步骤 1：安装 Plaso 并准备环境

# 在 Ubuntu/Debian 上安装 Plaso
sudo add-apt-repository ppa:gift/stable
sudo apt-get update
sudo apt-get install plaso-tools

# 或通过 pip 安装
pip install plaso

# 或使用 Docker（推荐，依赖隔离）
docker pull log2timeline/plaso

# 验证安装
log2timeline.py --version
psort.py --version

# 创建输出目录
mkdir -p /cases/case-2024-001/timeline/

# 验证取证镜像
img_stat /cases/case-2024-001/images/evidence.dd

步骤 2：使用 log2timeline 生成 Plaso 存储文件

# 基本处理磁盘镜像（使用所有解析器）
log2timeline.py \
   --storage-file /cases/case-2024-001/timeline/evidence.plaso \
   /cases/case-2024-001/images/evidence.dd

# 使用特定解析器进行快速定向分析
log2timeline.py \
   --parsers "winevtx,prefetch,mft,usnjrnl,lnk,recycle_bin,chrome_history,firefox_history,winreg" \
   --storage-file /cases/case-2024-001/timeline/evidence.plaso \
   /cases/case-2024-001/images/evidence.dd

# 使用过滤文件聚焦特定路径
cat << 'EOF' > /cases/case-2024-001/timeline/filter.txt
/Windows/System32/winevt/Logs
/Windows/Prefetch
/Users/*/NTUSER.DAT
/Users/*/AppData/Local/Google/Chrome
/Users/*/AppData/Roaming/Mozilla/Firefox
/$MFT
/$UsnJrnl:$J
/Windows/System32/config
EOF

log2timeline.py \
   --filter-file /cases/case-2024-001/timeline/filter.txt \
   --storage-file /cases/case-2024-001/timeline/evidence.plaso \
   /cases/case-2024-001/images/evidence.dd

# 使用 Docker 运行
docker run --rm -v /cases:/cases log2timeline/plaso log2timeline \
   --storage-file /cases/case-2024-001/timeline/evidence.plaso \
   /cases/case-2024-001/images/evidence.dd

# 将多个证据来源处理到同一时间线
log2timeline.py \
   --storage-file /cases/case-2024-001/timeline/combined.plaso \
   /cases/case-2024-001/images/workstation.dd

log2timeline.py \
   --storage-file /cases/case-2024-001/timeline/combined.plaso \
   /cases/case-2024-001/images/server.dd

步骤 3：使用 psort 过滤和导出时间线

# 导出完整时间线为 CSV（超级时间线格式）
psort.py \
   -o l2tcsv \
   -w /cases/case-2024-001/timeline/full_timeline.csv \
   /cases/case-2024-001/timeline/evidence.plaso

# 使用日期范围过滤导出（聚焦事件窗口）
psort.py \
   -o l2tcsv \
   -w /cases/case-2024-001/timeline/incident_window.csv \
   /cases/case-2024-001/timeline/evidence.plaso \
   "date > '2024-01-15 00:00:00' AND date < '2024-01-20 23:59:59'"

# 以 JSON Lines 格式导出（用于导入 SIEM/Timesketch）
psort.py \
   -o json_line \
   -w /cases/case-2024-001/timeline/timeline.jsonl \
   /cases/case-2024-001/timeline/evidence.plaso

# 按特定来源类型过滤导出
psort.py \
   -o l2tcsv \
   -w /cases/case-2024-001/timeline/registry_events.csv \
   /cases/case-2024-001/timeline/evidence.plaso \
   "source_short == 'REG'"

psort.py \
   -o l2tcsv \
   -w /cases/case-2024-001/timeline/evtx_events.csv \
   /cases/case-2024-001/timeline/evidence.plaso \
   "source_short == 'EVT'"

# 为 Timeline Explorer 导出（动态 CSV）
psort.py \
   -o dynamic \
   -w /cases/case-2024-001/timeline/timeline_explorer.csv \
   /cases/case-2024-001/timeline/evidence.plaso

步骤 4：使用 Timesketch 分析时间线

# 安装 Timesketch（Docker 部署）
git clone https://github.com/google/timesketch.git
cd timesketch
docker compose up -d

# 通过 CLI 将 Plaso 文件导入 Timesketch
timesketch_importer \
   --host http://localhost:5000 \
   --username analyst \
   --password password \
   --sketch_id 1 \
   --timeline_name "案例 2024-001 工作站" \
   /cases/case-2024-001/timeline/evidence.plaso

# 或导入 JSONL
timesketch_importer \
   --host http://localhost:5000 \
   --username analyst \
   --sketch_id 1 \
   --timeline_name "案例 2024-001" \
   /cases/case-2024-001/timeline/timeline.jsonl

# 在 Timesketch Web 界面中：
# 1. 搜索事件："data_type:windows:evtx:record AND event_identifier:4624"
# 2. 应用 Sigma 分析器进行自动化检测
# 3. 标记/标签重要事件
# 4. 创建记录调查叙述的故事
# 5. 与团队成员共享

步骤 5：执行定向时间线分析

# 分析已知事件周围的特定时间段
python3 << 'PYEOF'
import csv
from collections import defaultdict
from datetime import datetime

# 加载事件窗口时间线
events_by_hour = defaultdict(list)
source_counts = defaultdict(int)

with open('/cases/case-2024-001/timeline/incident_window.csv', 'r', errors='ignore') as f:
    reader = csv.DictReader(f)
    total = 0
    for row in reader:
        total += 1
        timestamp = row.get('datetime', row.get('date', ''))
        source = row.get('source_short', row.get('source', 'Unknown'))
        description = row.get('message', row.get('desc', ''))

        source_counts[source] += 1

        # 按小时分组，分析活动模式
        try:
            dt = datetime.strptime(timestamp[:19], '%Y-%m-%dT%H:%M:%S')
            hour_key = dt.strftime('%Y-%m-%d %H:00')
            events_by_hour[hour_key].append({
                'time': timestamp,
                'source': source,
                'description': description[:200]
            })
        except (ValueError, TypeError):
            pass

print(f"事件窗口内事件总数：{total}\n")

print("=== 按来源类型的事件统计 ===")
for source, count in sorted(source_counts.items(), key=lambda x: x[1], reverse=True):
    print(f"  {source}: {count}")

print("\n=== 按小时的活动统计 ===")
for hour in sorted(events_by_hour.keys()):
    count = len(events_by_hour[hour])
    bar = '#' * min(count // 10, 50)
    print(f"  {hour}: {count:>6} 个事件 {bar}")

# 找出活动异常激增的小时
avg = total / max(len(events_by_hour), 1)
print(f"\n=== 异常活动小时（>{avg*3:.0f} 个事件）===")
for hour in sorted(events_by_hour.keys()):
    if len(events_by_hour[hour]) > avg * 3:
        print(f"  {hour}: {len(events_by_hour[hour])} 个事件（激增）")
PYEOF

关键概念

概念	描述
超级时间线（Super-timeline）	整合多个来源所有制品时间戳的统一时间顺序视图
MACB 时间戳	修改（Modified）、访问（Accessed）、更改（Changed，元数据）、创建（Born）—— 四种关键文件时间戳类型
Plaso 存储文件	基于 SQLite 的中间格式，存储导出前的解析事件
L2T CSV	Log2timeline CSV 格式，具有标准化的时间线事件列
解析器（Parser）	Plaso 模块，从特定制品类型中提取时间戳（如 winevtx、prefetch）
Psort	Plaso 排序和过滤工具，用于后处理存储文件
Timesketch	Google 开源协作式时间线分析平台
轴心点（Pivot points）	已知时间戳（如恶意软件执行）用于聚焦调查范围

工具与系统

工具	用途
log2timeline（Plaso）	主要时间线生成引擎，解析 100+ 种制品类型
psort	Plaso 输出过滤、排序和导出工具
Timesketch	基于 Web 的协作取证时间线分析平台
Timeline Explorer	Eric Zimmerman 的 Windows GUI，用于 CSV 时间线分析
KAPE	自动化分类收集，为 Plaso 处理提供输入
mactime（TSK）	基于 Sleuth Kit bodyfile 的简单时间线生成
Excel/Sheets	对小型过滤数据集进行手动时间线审查
Elastic/Kibana	JSONL 时间线数据的替代可视化平台

常见场景

场景 1：勒索软件攻击重建 使用 Plaso 处理完整磁盘镜像，过滤到发现加密前一周，从浏览器历史和事件日志识别初始访问载体，通过注册表和 Prefetch 追踪权限提升，从网络登录事件中绘制横向移动，从显示大量文件修改的 MFT 时间戳确定加密开始时间。

场景 2：数据盗窃调查 创建嫌疑人工作站的超级时间线，过滤 USB 设备连接事件、文件访问时间戳和云存储浏览器活动，构建显示数据暂存、压缩和渗出的叙述，将带标记证据点的时间线提交给法律团队。

场景 3：多系统入侵分析 将所有受影响系统的磁盘镜像处理到单个 Plaso 存储文件，导入 Timesketch 进行协作分析，在系统时间线中搜索横向移动模式，识别零号患者系统和初始入侵载体，绘制整个环境中的完整攻击链。

场景 4：内部威胁非工作时间活动 仅过滤非工作时间的时间线，识别正常工作时间之外的文件访问模式，与认证事件关联（门禁、VPN 登录），搜索这些时间段内对敏感目录的数据访问，为 HR/法律构建证据包。

输出格式

时间线重建摘要：
  证据来源：
    磁盘镜像：evidence.dd（500 GB，NTFS）
    Plaso 存储：evidence.plaso（2.3 GB）

  处理统计：
    提取的事件总数：4,567,890
    使用的解析器：45 个（winevtx、prefetch、mft、usnjrnl、lnk、chrome、firefox、winreg...）
    处理时间：3 小时 45 分钟

  事件窗口（2024-01-15 至 2024-01-20）：
    窗口内事件：234,567
    事件来源：
      MFT：         89,234
      事件日志：    45,678
      USN 日志：    56,789
      注册表：      23,456
      Prefetch：    1,234
      浏览器：      5,678
      LNK 文件：    2,345
      其他：        10,153

  关键时间线事件：
    2024-01-15 14:32 - 打开网络钓鱼邮件（浏览器）
    2024-01-15 14:33 - 下载恶意文档
    2024-01-15 14:35 - 执行 PowerShell（Prefetch + 事件日志）
    2024-01-15 14:36 - 建立 C2 连接（注册表 + 事件日志）
    2024-01-16 02:30 - 执行 Mimikatz（Prefetch）
    2024-01-16 02:45 - 横向移动至 DC（事件日志）
    2024-01-17 03:00 - 数据渗出（MFT + USN 日志）
    2024-01-18 03:00 - 清除日志（事件日志）

  导出文件：
    完整时间线：    /timeline/full_timeline.csv（450 万行）
    事件窗口：      /timeline/incident_window.csv（23.4 万行）
    Timesketch 导入：/timeline/timeline.jsonl