Hash
Først av alt, la oss gå gjennom det grunnleggende og bli kjent med et slikt konsept som en hash!
Hash-algoritme er en matematisk funksjon som tar inn data av enhver størrelse og produserer en utgang kalt a hash or meldingssammendrag. Utdataene er en unik representasjon av inndataene, som kan brukes til å verifisere at dataene ikke har blitt tuklet med. Hash-algoritmer brukes for å sikre integriteten og autentisiteten til data.
Enkelt sagt er en hash et unikt digitalt fingeravtrykk av et stykke data. Det er som en kode som representerer dataene. Koden genereres av en matematisk funksjon kalt a hash-funksjon. Hvis dataene endres litt, vil hashen være annerledes.
Det er primære nøkkelegenskaper for hasj:
- Deterministisk: En hash-funksjon skal alltid produsere samme utgang for en gitt inngang. Dette betyr at hvis du hash samme data to ganger, bør du få samme hash-verdi begge ganger.
- Irreversibilitet: Det burde være beregningsmessig umulig å rekonstruere de opprinnelige inngangsdataene fra hash-verdien. Denne egenskapen er viktig for sikkerheten, siden den beskytter de originale dataene fra å bli oppdaget av angripere som kun har tilgang til hashverdien.
- Ensartethet: En hash-funksjon skal produsere en enhetlig fordeling av hash-verdier på tvers av alle mulige innganger. Dette betyr at det skal være like sannsynlig at hver hash-verdi oppstår, og det skal ikke være noen mønstre eller skjevheter i fordelingen av hash-verdier.
- Uforutsigbarhet: Det bør være beregningsmessig umulig å forutsi hashverdien til en inngang basert på hashverdiene til andre innganger eller egenskapene til selve hashfunksjonen. Denne egenskapen er viktig for sikkerheten, siden den gjør det vanskelig for angripere å skape en kollisjon (to forskjellige innganger som produserer samme hashverdi).
- Motstand mot kollisjonsangrep: En hashfunksjon skal være motstandsdyktig mot kollisjonsangrep, som innebærer å finne to forskjellige innganger som produserer samme hashverdi. Kollisjonsangrep kan brukes til å lage falske digitale signaturer eller for å omgå tilgangskontroller, så det er viktig at en hash-funksjon er utformet for å motstå dem.
Andre kjennetegn ved hash kan du finne på Wikipedia-siden:https://en.wikipedia.org/wiki/Hash\_function
Dataverifisering. Svarteliste og hviteliste.
I sammenheng med antivirusprogramvare brukes hash-algoritmer for å oppdage skadelig programvare eller ekskludere falske positive varsler. Antivirusprogramvare opprettholder en database med kjente hash-hasher (blacklist) og pålitelige programvarehasher (whitelist). Når en fil skannes, sammenlignes hashen med hashen i databasen.
De mest brukte hash-algoritmene for dataverifisering er MD5, SHA-1, SHA-256 and SHA-512.
Bruken av hashes i antivirus-svartelister og hvitelister bidrar til å fremskynde skanneprosessen, siden antivirusprogrammet ikke trenger å utføre en detaljert analyse av hver fil for å avgjøre om den er skadelig eller ikke. I stedet kan den sammenligne hash-verdiene til filer med de på svartelisten/hvitelisten for raskt å identifisere kjente trusler eller pålitelige apper.
Svarteliste
I sammenheng med cybersikkerhet og antivirusprogramvare er en svarteliste en liste over kjente skadelige filer eller deler av disse filene. Når et antivirusprogram skanner en datamaskin eller et nettverk, sammenligner det filene og enhetene det møter med svartelisten for å identifisere eventuelle trusler. Hvis en fil eller enhet samsvarer med en oppføring på svartelisten, vil antivirusprogrammet iverksette tiltak for å fjerne eller sette den i karantene for å forhindre at den forårsaker skade.
Selv om svartelister kan være nyttige for å oppdage og forhindre kjente trusler, er de ikke alltid effektive for å beskytte mot nye og ukjente trusler. Angripere kan bruke ulike teknikker, for eksempel tilsløring eller polymorfisme, for å endre koden eller oppførselen til en fil eller enhet for å unngå oppdagelse av antivirusprogrammer.
Derfor bruker antivirusprogrammer ofte en kombinasjon av teknikker, som f.eks whitelisting og atferdsbasert deteksjon, for å utfylle bruken av svartelister og gi mer omfattende beskyttelse mot et bredere spekter av trusler.
Hviteliste
I sammenheng med cybersikkerhet og antivirusprogramvare er en hviteliste en liste over pålitelige filer som er kjent for å være trygge. Hvis en fil eller enhet samsvarer med en oppføring på hvitelisten, vil antivirusprogrammet tillate den å åpne/kjøre uten å foreta seg noe, siden det anses som trygt.
Hvitelister er nyttige for å forhindre falske positiver i antivirus- og sikkerhetsprogrammer. Falske positiver oppstår når et program eller en fil er flagget som ondsinnet eller skadelig når det faktisk er trygt. Ved å bruke en hviteliste kan sikkerhetsprogrammer omgå disse falske positivene, noe som kan spare tid og forhindre unødvendige varsler.
Bruk av hashe- og svartelister/hvitelister kan være en effektiv måte å beskytte mot kjente trusler og forhindre falske positiver i antivirus- og sikkerhetsprogrammer.
Hvorfor bruker antivirus flere hash-algoritmer?
Antivirusprogrammer bruker flere hash-algoritmer av flere grunner:
- Motstand mot kollisjonsangrepSelv om svartelister kan være effektive for å oppdage og forhindre kjente trusler, er de ikke idiotsikre. Angripere kan bruke ulike teknikker for å unngå oppdagelse, for eksempel å modifisere dataene for å unngå å matche signaturene i svartelisten. Disse teknikkene kalles "kollisjonsangrep". <br> Et kollisjonsangrep er en type kryptografisk angrep der en angriper prøver å finne to forskjellige innganger, for eksempel filer eller meldinger, som produserer samme hash-verdi når de kjøres gjennom en hash-funksjon (kollisjon). Målet med et kollisjonsangrep er å lage et par innganger som kan brukes til å undergrave et system som er avhengig av integriteten til hashverdier, for eksempel digitale signaturer, passordautentisering eller kontroller av dataintegritet. Hvis en angriper kan finne en kollisjon, kan han bruke den til å omgå sikkerhetstiltakene som er avhengige av hash-funksjonen. <br> For å redusere risikoen for kollisjonsangrep bruker antivirus sterke hash-funksjoner som er motstandsdyktige mot angrep, og bruker flere hash-funksjoner samtidig. For eksempel, hvis et antivirusprogram bare brukte MD5-hash-algoritme, kan en angriper potensielt lage en ondsinnet fil som har samme MD5-hash som en legitim fil, og lure antivirusprogrammet til å behandle den skadelige filen som sikker. Men bruk av flere hash-algoritmer, som MD5, SHA-1 og SHA-256, gjør det vanskeligere for en angriper å lage et kollisjonsangrep som vil fungere mot alle algoritmene samtidig.
- EffektivitetUlike hash-algoritmer har forskjellige beregningskrav, og noen kan være mer effektive enn andre avhengig av filstørrelse, type eller andre faktorer. Ved å bruke flere hash-algoritmer kan antivirusprogrammer velge den mest passende algoritmen for en gitt situasjon, noe som kan spare tid og prosessorkraft. For eksempel kan SHA-256 være mer beregningsintensiv enn MD5, så et antivirusprogram kan velge å bruke MD5 for mindre filer og SHA-256 for større filer.
- FleksibilitetUlike hash-algoritmer er designet for forskjellige brukstilfeller og applikasjoner. Ved å bruke flere hash-algoritmer kan antivirusprogrammer tilpasse seg ulike behov og scenarier, for eksempel å oppdage skadelig programvare, verifisere filintegritet eller oppdage tukling eller modifikasjon. For eksempel kan en rettsmedisinsk etterforsker bruke en annen hash-algoritme enn et antivirusprogram for å sikre at data ikke har blitt endret under en etterforskning.
Å bruke flere hash-algoritmer er en beste praksis innen utvikling av nettsikkerhet og antivirusprogramvare, siden det gir robusthet, kompatibilitet, effektivitet og fleksibilitet i å oppdage og forhindre nettrusler.
Hvordan gjenkjenner antivirus lignende, men ikke identiske data og filer?
Lignende, men ikke identiske filer kan være et problem i cybersikkerhet fordi de kan brukes av angripere for å unngå oppdagelse av antivirusprogramvare.
For eksempel kan en angriper ta en kjent skadelig programvarefil og gjøre små endringer i koden eller strukturen, for eksempel å endre variabelnavn eller omorganisere instruksjoner. Disse modifikasjonene kan være nok til å lage en ny fil som er lik, men ikke identisk med den originale skadevarefilen, og som kanskje ikke oppdages av antivirusprogramvare som er avhengig av tradisjonelle hash-baserte deteksjonsmetoder.
I tillegg kan angripere bruke lignende, men ikke identiske filer for å lage polymorf skadelig programvare, som kan endre koden eller strukturen med hver infeksjon for å unngå oppdagelse. Polymorf skadelig programvare kan være svært vanskelig å oppdage ved bruk av tradisjonelle antivirusteknikker, som er avhengige av å gjenkjenne spesifikke mønstre eller signaturer i skadevarekoden.
For å løse dette problemet bruker antivirus uklare hasjer.
Fuzzy hashing er en teknikk som brukes av noen antivirusprogramvare for å oppdage lignende, men ikke identiske filer, inkludert polymorf skadelig programvare. Ved å dele opp en fil i mindre biter og sammenligne hashen av disse bitene med de til andre filer, kan fuzzy hashing identifisere filer som har lignende kode eller struktur, selv om de ikke er identiske.
Fuzzy hashing fungerer ved å identifisere sekvenser av byte som vises ofte på tvers av filen. Disse sekvensene, også kjent som "biter", hashes deretter ved hjelp av en kryptografisk hash-funksjon for å generere en hash-verdi. Hash-verdiene til bitene blir deretter sammenlignet med de for andre filer for å identifisere biter som ligner.
Fordelen med fuzzy hashing er at den kan oppdage likheter selv når filer har blitt modifisert eller tilsløret, noe som gjør det til et kraftig verktøy for å identifisere varianter av kjent skadelig programvare. For eksempel, hvis en angriper endrer en kjent skadelig programvarefil ved å endre navnene på variabler eller funksjoner, kan det hende at tradisjonelle hash-baserte deteksjonsmetoder ikke oppdager den endrede filen. Imidlertid kan fuzzy hashing fortsatt oppdage den modifiserte filen ved å identifisere biter som ligner på den originale skadevarefilen.
I motsetning til kryptografiske hashing-algoritmer som MD5, SHA-1 eller SHA-512, produserer fuzzy hashing-algoritmer variabel-lengde hash-verdier som er basert på likheten til inngangsdataene.
Fordeler med fuzzy hashes
- Deteksjon av lignende filer: Fuzzy hashes kan oppdage lignende filer selv om de har blitt endret litt, noe som er nyttig for å identifisere varianter av kjent skadelig programvare.
- Redusert falske positiver: Fuzzy hashes kan redusere antallet falske positive generert av tradisjonelle hash-baserte deteksjonsmetoder. Dette er fordi fuzzy hashes kan oppdage filer som ligner, men ikke er identiske med kjent skadelig programvare.
- Motstandsdyktighet mot uklarhet: Fuzzy hashes er mer motstandsdyktige mot sløringsteknikker som brukes av angripere for å unngå oppdagelse. Dette er fordi den uklare hashing-algoritmen deler opp filen i mindre biter og genererer hashes for hver del, noe som gjør det vanskeligere for en angriper å endre filen på en måte som unngår gjenkjenning.
Begrensninger for fuzzy hashing
- Falske positive: Fuzzy hashing kan produsere falske positiver, der legitime filer blir flagget som ondsinnede fordi de har lignende kode eller struktur som kjent skadelig programvare. Dette kan skje hvis filene deler felles biblioteker eller rammeverk.
- Ytelse: Fuzzy hashing kan være beregningsintensivt, spesielt for store filer. Dette kan redusere skanneprosessen og påvirke systemytelsen.
- Størrelsesbegrensninger: Fuzzy hashing fungerer kanskje ikke bra på veldig små filer eller filer med lav entropi, da det kanskje ikke er nok unike biter til å generere meningsfulle hashes.
- tukling: Fuzzy hashing er kanskje ikke effektiv hvis en angriper spesifikt retter seg mot den og endrer en fil for å unngå oppdagelse. For eksempel kan en angriper bevisst endre strukturen til en fil for å forhindre at den blir identifisert av fuzzy hashing.
Hva er forskjellen mellom kryptografiske hash-algoritmer og fuzzy hash-algoritmer?
Kryptografiske hash-algoritmer og fuzzy hash-algoritmer brukes begge i cybersikkerhet, men de har forskjellige formål og egenskaper.
Kryptografiske hash-algoritmer, som SHA-256 og MD5, er designet for å gi dataintegritet og autentisitet ved å generere unike hash-verdier med fast lengde som er nesten umulig å reversere. Kryptografiske hash-algoritmer brukes til å verifisere integriteten til data.
Fuzzy hash-algoritmer, for eksempel SSDEEP, er designet for å identifisere lignende, men ikke identiske data, for eksempel filer som har blitt endret eller pakket om av skadevareforfattere. Fuzzy hashing bruker en skyvevindusteknikk for å dele data i små biter og generere sannsynlighetshasher med variabel lengde som sammenlignes med en database med kjente malware-hasher for å identifisere potensielt skadelige filer.
Kryptografiske hash-algoritmer er designet for å være kollisjonsbestandige, noe som betyr at det er ekstremt vanskelig å finne to innganger som produserer samme hash-utgang. Fuzzy hash-algoritmer trenger ikke å være kollisjonsbestandige siden de er designet for å oppdage likheter mellom filer i stedet for å produsere unike hash-utdata.
Hovedforskjellen mellom kryptografiske hash-algoritmer og fuzzy hash-algoritmer er deres nivå av determinisme. Kryptografiske hash-algoritmer produserer deterministiske hasher med fast lengde som er unike for hver inngang, mens fuzzy hash-algoritmer produserer sannsynlighetshasjer med variabel lengde som er like for lignende innganger.
Hvilke fuzzy hashing-algoritmer vil vi bruke i løsningen vår?
I vår løsning skal vi bruke SSDEEP og TLSH.
ssdeep er en fuzzy hashing-algoritme som brukes til å identifisere lignende, men ikke identiske data, for eksempel malware-varianter. Det fungerer ved å generere en hash-verdi som representerer likheten til inngangsdataene, i stedet for en unik identifikator som kryptografiske hash-funksjoner. Utdataene til ssdeep har variabel lengde og sannsynlighet, noe som gjør at den kan oppdage selv mindre forskjeller mellom to filer. ssdeep brukes ofte i analyse og deteksjon av skadelig programvare, og den er også integrert i ulike sikkerhetsverktøy og antivirusprogramvare.
TLSH (Trend Micro Locality Sensitive Hash) er en fuzzy hashing-algoritme som brukes til å identifisere lignende, men ikke identiske data, for eksempel malware-varianter. Det fungerer ved å lage en hash-verdi som fanger opp de unike egenskapene til inngangsdataene, for eksempel bytefrekvens og rekkefølge. Utgangen til TLSH er variabel lengde og sannsynlighet, noe som gjør at den kan oppdage likheter selv om inndataene har blitt modifisert eller tilsløret. TLSH er ofte brukt i malware-analyse og -deteksjon, og den er også integrert i ulike sikkerhetsverktøy og antivirusprogramvare.
ssdeep og TLSH bruker begge avstandsmålinger for å bestemme likheten mellom to hash-verdier. Imidlertid er avstandsberegningene som brukes av ssdeep og TLSH forskjellige.
ssdeep bruker beregningen "fuzzy hash distance" for å beregne avstanden mellom to hash-verdier. Denne avstandsberegningen er basert på antall matchende og ikke-matchende blokker mellom de to hashene, samt størrelsen på hashene. Avstandsberegningen er en prosentverdi som varierer fra 0 til 100, der 0 betyr at de to hashene er identiske, og 100 betyr at de to hashene er helt forskjellige.
TLSH, på den annen side, bruker "total diff"-metrikken for å beregne avstanden mellom to hash-verdier. Denne avstandsberegningen er basert på forskjellen mellom de lokalitetssensitive egenskapene til de to inndatasettene. Utdata fra "total diff"-metrikken er en verdi mellom 0 og 1000, der 0 betyr at de to hash-verdiene er identiske, og 1000 betyr at de to hash-verdiene er helt forskjellige.
Bygge hashing-modulen
For vår løsning vil vi bruke åpen kildekode-biblioteker:
- PolarSSL: https://polarssl.org/PolarSSL er et gratis og åpen kildekode-programvarebibliotek for implementering av kryptografiske protokoller som Transport Layer Security (TLS), Secure Sockets Layer (SSL), Datagram Transport Layer Security (DTLS). Den gir forskjellige kryptografiske algoritmer og protokoller, inkludert hashfunksjoner, symmetrisk og asymmetrisk kryptering, digitale signaturer og nøkkelutvekslingsalgoritmer. PolarSSL er designet for å være lett og effektivt, noe som gjør den egnet for bruk i miljøer med begrensede ressurser.
- ssdeep: http://ssdeep.sf.net/
- TLSH: https://github.com/trendmicro/tlsh/
Etter å ha implementert bibliotekene i prosjektet, legger vi til en enkel kode:
struct HashData
{
BYTE md5[16];
BYTE sha1[20];
BYTE sha512[64];
std::string ssdeep;
std::string tlsh;
};
HashData hash(const void* buff, uint64_t size)
{
HashData snap = {};
hashes::md5(buff, size, snap.md5);
hashes::sha1(buff, size, snap.sha1);
hashes::sha4(buff, size, snap.sha512);
snap.ssdeep = hashes::ssdeepHash(buff, size);
snap.tlsh = hashes::tlshHash(buff, size);
return snap;
}
Sjekker hashing-modulen
Det er på tide å teste hashing-modulen! For å gjøre dette lager vi en tekstfil med følgende innhold:
All the World`s a Stage by William Shakespeare
All the world`s a stage,
And all the men and women merely players;
They have their exits and their entrances,
And one man in his time plays many parts,
His acts being seven ages. At first, the infant,
Mewling and puking in the nurse`s arms.
Then the whining schoolboy, with his satchel
And shining morning face, creeping like snail
Unwillingly to school. And then the lover,
Sighing like furnace, with a woeful ballad
Made to his mistress` eyebrow. Then a soldier,
Full of strange oaths and bearded like the pard,
Jealous in honor, sudden and quick in quarrel,
Seeking the bubble reputation
Even in the cannon`s mouth. And then the justice,
In fair round belly with good capon lined,
With eyes severe and beard of formal cut,
Full of wise saws and modern instances;
And so he plays his part. The sixth age shifts
Into the lean and slippered pantaloon,
With spectacles on nose and pouch on side;
His youthful hose, well saved, a world too wide
For his shrunk shank, and his big manly voice,
Turning again toward childish treble, pipes
And whistles in his sound. Last scene of all,
That ends this strange eventful history,
Is second childishness and mere oblivion,
Sans teeth, sans eyes, sans taste, sans everything.
TEST 1: lag to identiske filer med samme innhold (tekst ovenfor) og beregn hashes.


SSDEEP sier at filene er 100% identiske. TLSH sier at det er 0% forskjeller mellom filer.
TEST 2: Lag to identiske filer med samme innhold, gjør endringer i den andre filen og beregn hash
Andre filinnhold:
All the World`s a Stage by William Shakespeare
O lovely maidens, fall in love,
But not with Muscovites,
For Muscovites are foreign folk,
They do not treat you right.
A Muscovite will love for sport,
And laughing go away;
They have their exits and their entrances,
And one man in his time plays many parts,
His acts being seven ages. At first, the infant,
Mewling and puking in the nurse`s arms.
Then the whining schoolboy, with his satchel
And shining morning face, creeping like snail
Unwillingly to school. And then the lover,
Sighing like furnace, with a woeful ballad
Made to his mistress` eyebrow. Then a soldier,
Full of strange oaths and bearded like the pard,
Jealous in honor, sudden and quick in quarrel,
Seeking the bubble reputation
Even in the cannon`s mouth. And then the justice,
In fair round belly with good capon lined,
With eyes severe and beard of formal cut,
Full of wise saws and modern instances;
And so he plays his part. The sixth age shifts
Into the lean and slippered pantaloon,
With spectacles on nose and pouch on side;
His youthful hose, well saved, a world too wide
For his shrunk shank, and his big manly voice,
Turning again toward childish treble, pipes
And whistles in his sound. Last scene of all,
That ends this strange eventful history,
Is second childishness and mere oblivion,
Sans teeth, sans eyes, sans taste, sans everything.


SSDEEP sier at filene er 88% identiske. TLSH sier at det er 4,7 % forskjeller mellom filene.
TEST 3: beregne hashes for to helt forskjellige tekstfiler
Andre filinnhold:
"Katerina", poem of Taras Shevchenko
(translated by John Weir)
O lovely maidens, fall in love,
But not with Muscovites [2],
For Muscovites are foreign folk,
They do not treat you right.
A Muscovite will love for sport,
And laughing go away;
He`ll go back to his Moscow land
And leave the maid a prey
To grief and shame...
It could be borne
If she were all alone,
But scorn is also heaped upon
Her mother frail and old.
The heart e`en languishing can sing –
For it knows how to wait;
But this the people do not see:
“A strumpet!“ they will say.
O lovely maidens, fall in love,
But not with Muscovites,
For Muscovites are foreign folk,
They leave you in a plight.
Young Katerina did not heed
Her parent`s warning words,
She fell in love with all her heart,
Forgetting all the world.
The orchard was their trysting-place;
She went there in the night
To meet her handsome Muscovite,
And thus she ruined her life.
Her anxious mother called and called
Her daughter home in vain;
There where her lover she caressed,
The whole night she remained.
Thus many nights she kissed her love
With passion strong and true,
The village gossips meanwhile hissed:
“A girl of ill repute!”
Let people talk, let gossips prate,
She does not even hear:
She is in love, that`s all she cares,
Nor feels disaster near.
Bad tidings came of strife with Turks,
The bugles blew one morn:
Her Muscovite went off to war,
And she remained at home.
A kerchief o`er her braids they placed
To show she`s not a maid,
But Katerina does not mind,
Her lover she awaits.
He promised her that he’d return
If he was left alive,
That he`d come back after the war –
And then she`d be his wife,
An army bride, a Muscovite
Herself, her ills forgot,
And if in meantime people prate,
Well, let the people talk!
She does not worry, not a bit –
The reason that she weeps
Is that the girls at sundown sing
Without her on the streets.
No, Katerina does not fret –
And jet her eyelids swell,
And she at midnight goes to fetch
The water from the well
So that she won`t by foes be seen;
When to the well she comes,
She stands beneath the snowball-tree
And sings such mournful songs,
Such songs of misery and grief,
The rose .itself must weep.
Then she comes home - content that she
By neighbours was not seen.
No, Katerina does not fret.
She`s carefree as can be -
With her new kerchief on her head
She looks out on the street.
So at the window day by day
Six months she sat in vain....
With sickness then was overcome,
Her body racked with pain.
Her illness very grievous proved.
She barely breathed for days ...
When it was over - by the stove
She rocked her tiny babe.
The gossips` tongues now got free rein.
The other mothers jibed
That soldiers marching home again
At her house spent the night.
“Oh, you have reared a daughter fair.
And not alone beside
The stove she sits - she`s drilling there
A little Muscovite.
She found herself a brown-eyed son...
You must have taught her how!...
Oh fie on ye, ye prattle tongues,
I hope yourselves you`ll feel
Someday such pains as she who bore
A son that you should jeer!
Oh, Katerina, my poor dear!
How cruel a fate is thine!


SSDEEP sier at filene er helt forskjellige, med 0% samsvar. TLSH sier imidlertid at filene bare er 27,1 % forskjellige.
Hvorfor er det det? Tross alt vurderer vi avstanden mellom to helt forskjellige tekstfiler, ikke sant?
Saken er at, som vi sa ovenfor, tar TLSH-algoritmen hensyn til frekvenser. Til tross for at tekstene er forskjellige, er de likevel skrevet på samme språk, bruker samme alfabet og har en rekke av de samme ordene. Denne funksjonen til denne hashing-algoritmen hjelper til med å oppdage modifikasjoner av ondsinnede filer.
TEST 4: sammenlign 2 Windows systemfiler

SSDEEP sier at filene er helt forskjellige, med 0% samsvar. Imidlertid sier TLSH-algoritmen at filene avviker med bare 14,5%. Dette skyldes delvis at filene mest sannsynlig ble bygget av samme kompilator, av samme selskap, muligens ved å bruke de samme kodemønstrene. Filene har lignende VERSION_INFO- og MZ-overskrifter.
TEST 5: sammenlign 2 systemfilen og vår hashpair.exe-fil

SSDEEP sier at filene er helt forskjellige, med 0% samsvar. TLSH-algoritmen sier at filene varierer betydelig, med 73,3%. Disse filene ble kompilert av forskjellige selskaper, ved å bruke forskjellige biblioteker og forskjellige kompilatorer. Disse filene har forskjellige VERSION_INFO og forskjellige MZ-overskrifter. Dermed lar TLSH-algoritmen deg kategorisere kjørbare filer, og hjelper deg med å identifisere lignende ondsinnede filer eller ondsinnede filer fra samme familie.
Liste over verktøy som brukes
- WinMerge: https://winmerge.orgWinMerge er et åpen kildekode-differanse- og sammenslåingsverktøy for Windows. WinMerge kan sammenligne både mapper og filer, og presentere forskjeller i et visuelt tekstformat som er lett å forstå og håndtere.
- Notisblokk++: https://notepad-plus-plus.org/downloadsNotepad++ er en gratis (som i "fri tale" og også som i "gratis øl") kildekoderedigerer og Notisblokk-erstatning som støtter flere språk. Kjører i MS Windows miljøet, er bruken styrt av GNU General Public License.
GITHUB
Du kan finne koden til hele prosjektet på vår github:https://github.com/SToFU-Systems/DSAVE
HVA ER NESTE?
Vi setter pris på din støtte og ser frem til ditt fortsatte engasjement i samfunnet vårt.
I den neste artikkelen vil vi skrive sammen med deg den enkleste PE-ressurs-parseren.
Eventuelle spørsmål fra forfatterne av artikkelen kan sendes til e-post: articles@stofu.io
Takk for oppmerksomheten og ha en fin dag!