OSXCollector 使用教程
1. 项目介绍
OSXCollector 是一个专为 macOS 设计的取证证据收集和分析工具包。它能够从潜在的受感染机器中收集信息,并以 JSON 文件的形式输出,详细描述目标机器的状态。OSXCollector 通过从 plists、SQLite 数据库和本地文件系统中收集信息,帮助分析人员回答以下问题:
- 这台机器是否被感染?
- 恶意软件是如何入侵的?
- 如何预防和检测进一步的感染?
Yelp 提供了一个自动化的输出分析工具,可以将 OSXCollector 的输出转换为易于阅读和操作的摘要,仅显示可疑内容。
2. 项目快速启动
在标准的 macOS 机器上,osxcollector.py 是一个独立的 Python 脚本,无需任何依赖即可运行。以下是快速启动的步骤:
首先,将 osxcollector.py 文件复制到目标机器上,然后以 root 权限运行:
sudo osxcollector.py
这将生成一个包含所有收集到的信息的 .tar.gz 压缩文件,文件名为 osxcollect-YYYY_MM_DD-HH_MM_SS.tar.gz。
如果您已经克隆了 GitHub 仓库,osxcollector.py 文件位于 osxcollector/ 目录下,因此需要以下方式运行:
sudo osxcollector/osxcollector.py
请注意,确保您机器上的 python 命令使用的是系统默认的 Python 解释器,而不是通过 brew 安装的 Python 版本。OSXCollector 依赖于一些 macOS 系统的本地 Python 绑定,这些绑定可能不在其他 Python 版本中可用。
您也可以在运行时显式指定 Python 版本:
sudo /usr/bin/python2.7 osxcollector/osxcollector.py
3. 应用案例和最佳实践
以下是使用 OSXCollector 的一些典型案例和最佳实践:
-
案件标识:使用
-i或--id选项设置案件标识符,方便跟踪和分析。sudo osxcollector.py -i IncontinentSealord -
指定路径:使用
-p或--path选项设置文件系统根路径,适用于对磁盘镜像进行收集。sudo osxcollector.py -p /mnt/powned -
选择收集部分:使用
-s或--section选项仅运行完整收集的一部分。sudo osxcollector.py -s startup -s downloads -
收集 Cookies 和本地存储:使用
-c或--collect-cookies和-l或--collect-local-storage选项来收集敏感数据。 -
调试模式:使用
-d或--debug选项启用详细输出和 Python 断点,以帮助调试。
4. 典型生态项目
OSXCollector 的生态系统中,有一些项目可以与其配合使用,以下是一些典型的项目:
- OSXCollector Output Filters:自动化分析和过滤 OSXCollector 输出的项目。
- 其他取证工具:例如 Volatility、Ghidra 等,可以与 OSXCollector 收集的数据一起使用,进行更深层次的分析。
通过以上介绍和教程,您可以开始使用 OSXCollector 进行 macOS 系统的取证证据收集和分析工作。
atomcodeClaude Code 的开源替代方案。连接任意大模型,编辑代码,运行命令,自动验证 — 全自动执行。用 Rust 构建,极致性能。 | An open-source alternative to Claude Code. Connect any LLM, edit code, run commands, and verify changes — autonomously. Built in Rust for speed. Get StartedRust0147- DDeepSeek-V4-ProDeepSeek-V4-Pro(总参数 1.6 万亿,激活 49B)面向复杂推理和高级编程任务,在代码竞赛、数学推理、Agent 工作流等场景表现优异,性能接近国际前沿闭源模型。Python00
GLM-5.1GLM-5.1是智谱迄今最智能的旗舰模型,也是目前全球最强的开源模型。GLM-5.1大大提高了代码能力,在完成长程任务方面提升尤为显著。和此前分钟级交互的模型不同,它能够在一次任务中独立、持续工作超过8小时,期间自主规划、执行、自我进化,最终交付完整的工程级成果。Jinja00
auto-devAutoDev 是一个 AI 驱动的辅助编程插件。AutoDev 支持一键生成测试、代码、提交信息等,还能够与您的需求管理系统(例如Jira、Trello、Github Issue 等)直接对接。 在IDE 中,您只需简单点击,AutoDev 会根据您的需求自动为您生成代码。Kotlin03
Intern-S2-PreviewIntern-S2-Preview,这是一款高效的350亿参数科学多模态基础模型。除了常规的参数与数据规模扩展外,Intern-S2-Preview探索了任务扩展:通过提升科学任务的难度、多样性与覆盖范围,进一步释放模型能力。Python00
skillhubopenJiuwen 生态的 Skill 托管与分发开源方案,支持自建与可选 ClawHub 兼容。Python0111