A Case Study on Geoprofiling and Imagery Analysis

 McAfee Antivirus  တည်ထောင်သူ  John McAfee  အခွန်ရှောင်တိမ်းမှုနဲ့ တရားစွဲခံရနေရတဲ့ အချိန်မှာ John McAfee  ဘယ်သွားတယ် ဘယ်နေရာရောက်နေတယ်ဆိုတာကို OSINT သုံးပြီး ရှာဖွေ စုံစမ်းတဲ့ အချိန်မှာ သုံးတဲ့ Case Study ပါ။ ရှာဖွေတဲ့သူတွေကတော့ Bellingcat အဖွဲ့ပဲဖြစ်ပါတယ်။ 

သူဘယ်နေရာရောက်နေတယ်ဆိုတာကို သိဖို့အတွက် Day by Day Time Line (Twitter Post နှစ်ခုရဲ့အချိန်နဲ့) နေရာ ဓာတ်ပုံနှစ်ပုံရဲ့ တည်နေရာ အပေါ်မူတည်ပြီးတွက်ချက်ပါတယ်။


ဒီလိုရှာဖွေဖို့အတွက်  အောက်ပါအတိုင်း Section - 4 ခု  ပိုင်းလိုက်ပါတယ်။

1. Point B (ဓာတ်ပုံတင်တဲ့နေရာ) 

2. Point C ( သူက ဘယ်နေရာကို ခရီးသွားနေတာလဲ)

3. Point A ( ဘယ်နေရာကနေ ဘယ်အချိန်မှာ ခရီးသွားစသွားတာလဲ)

4. Geolocation Analysis Of The Point B Image (Point B Image တည်နေရာကို Analysis ပြုလုပ်ခြင်း)

Analysis လုပ်တဲ့ တစ်လျှောက်လုံး သုံးသွားတဲ့ Tools တွေက Free , Open Source တွေပဲ ဖြစ်ပါတယ်။ 

Tools = (Google Maps, GIMP (Image Editing) and Twitter) 

Point B (ဓာတ်ပုံတင်တဲ့နေရာ) 

John McAfee က 28-01-2020 Twitter မှာ ပုံတင်ထားပါတယ်။  




- ဒီလိုမျိုး Case ဆိုရင် ဘယ်ကနေ ဘယ်လို စလုပ်မလဲ ? 

- ပထမဆုံးလုပ်ရမှာက Imagery Intelligence (IMINT) ကိုစတင်လုပ်ဆောင်ရမှာ ဖြစ်ပါတယ်။ 

- ဓာတ်ပုံကို ကြည့်ပြီး  ကိုယ့်ဘာသာကိုယ် ပြန်မေးလိုက်ပါ။ ပုံထဲမှာ ဘာတွေမြင်ရသလဲ ? 

ပုံကို ကြည့်လိုက်ရင် ဓာတ်ပုံထဲမှာ သဲလွန်စတွေ ပါနေတာကို တွေ့ရမှာ ဖြစ်ပါတယ်။ 

ပုံထဲမှာ ဘာတွေ တွေ့ရသလဲ ?  ( တွေ့ရတဲ့ အချက်တွေကို ပုံမှာ နံပတ်စဉ်ထိုးထားပါတယ်။) 




1- ပထမဆုံး အနေနဲ့ John McAfee ကိုတွေ့ရပါတယ်။  သူတင်တဲ့ ဓာတ်ပုံတွေက သဲလွန်စ အများကြီးပေးပါတယ်။ 

2- ခေါင်းမိုးကို ကြည့်လိုက်ရင် Brand Colour ( ကိုယ့်အမှတ်တံဆိပ်ကို အများသိအောင် ဆိုင်တိုင်းမှာ ဆိုင်ပုံစံ ဆေးအရောင် အပြင်အဆင်တွေကို တစ်သတ်မှတ်ထဲထားတဲ့ပုံစံ) ဖြစ်နေပါတယ်။ 

3- ဆီပန့် (အပြာရောင်) ကို တွေ့ရတဲ့အတွက် ဓာတ်ဆီဆိုင်ဖြစ်ပါမယ်။ Brand Colour အရောင်နဲ့ ထပ်တူကျတဲ့ ဆီပန့်အမည်ကိုနောက်ပိုင်းမှာရှာဖွေရမှာ ဖြစ်ပါတယ်။ 

4- ကုန်တင်ကားအကြီးကို မြင်ရတဲ့အတွက် ဓာတ်ဆီဆိုင်က နေရာကျယ်မယ် High Way လမ်းမပေါ်မှာ ဖြစ်နိုင်ပါတယ်။ 

5- အဆောက်ဦရဲ့ ရှေ့မှာ  ပန်းတွေရှိတဲ့အတွက် ဓာတ်ဆီဆိုင်နဲ့အတူဖွင့်ထားတဲ့ စတိုးဆိုင်ဖြစ် နိုင်ပါတယ်။

6- light blue band ပုံစံကြောင့် အနီးမှာ ရေကန် ရှိနိုင်ပါတယ်။ 

7- အဆောင်အဦးပုံစံနဲ့ အနေအထားက Satellite Image နဲ့ကြည့်တဲ့အခါ မြင်သာတဲ့  အနေအထား ဖြစ်နေနိုင်ပါတယ်။ (ဘယ်လိုဖြစ်မလဲ ဆက်ကြည့်ရင် ရှင်းသွားပါမယ်။) 

8- အလျားလိုက် (နောက်ခံကိုပြောတာပါ) အနေအထားမှာ အဆောက်အဦး သစ်ပင်ရှုပ်ထွေးတာ မရှိတဲ့အတွက် မြို့သစ် သို့မဟုတ် မြို့နဲ့အလှမ်းကွာတဲ့နေရာမှာ ရှိနိုင်ပါတယ်။ 

အထက်ပါအတိုင်း Imagery Intelligence (IMINT) အရ အချက်အလက်တွေရရှိထားပါတယ်။


Point C ( သူက ဘယ်နေရာကို ခရီးသွားနေတာလဲ)




ရေးထားတဲ့စာအရ သူက London ကို ခရီးသွားနေတယ်လို့ ရေးထားပြီး။ အခုတင်ထားတဲ့ ဓာတ်ပုံက အရင်ကတင်တာ ဖြစ်နိုင်ပါတယ်။ 

သူဘယ်လိုခရီးသွားတာဖြစ်နိုင်မလဲ ဆိုရင် အပေါ်မှာ တွေ့ထားတဲ့ အချက် ၈ ချက်အရ ကားနဲ့သွားတာဖြစ်နိုင်ပါတယ်။ 


Point A ( ဘယ်နေရာကနေ ဘယ်အချိန်မှာ ခရီးသွားစသွားတာလဲ)




နောက်တစ်ဆင့့်က ခရီးမသွားခင် သူဘယ်မှာရှိခဲ့လဲ သူဘယ်အချိန်က ခရီးစသွားတာလဲဆိုတာကို စဉ်းစားပါမယ်။ အဲဒါကြောင့် ဓာတ်ဆီဆိုင်မှာ ပုံမတင်ခင် ဘယ်နေရာတွေမှာ ရှိခဲ့လဲဆိုတာကို Twitter မှာပြန်ကြည့်ပါမယ်။ ဓာတ်ဆီဆိုင်မှာ ပုံမတင်ခင် 2 ရက်မှာ Twitter မှာ တင်ထားတဲ့ပုံအရ သူဘယ်မှာရှိတယ် ဘယ်ကိုသွားမယ်ဆိုတာကို တွေ့ရပါတယ်။


Imagery Intelligence (IMINT) အရ ပုံမှာ ဟိုတယ်ရဲ့နာမည်ကိုတွေ့ရပါတယ်။ ဟိုတယ်နာမည်က Hotel Schlicker ။ Hotel Schlicker ဘယ်မှာရှိလဲဆိုတာရှာကြည့်ရင် Munich, Germany မှာရှိနေပါတယ်။ ဟိုတယ်နေရာကို သိရှိပြီးနောက်မှာ မှန်မမှန်ကို Google , Facebook စတဲ့ နေရာတွေမှာ အတည်ပြုကြည့်ပါမယ်။ နေရာက ဟိုတယ်ကို လူတွေလာရင် ဓာတ်ပုံရိုက်လို့ ကောင်းတဲ့နေရာ Check In ဝင်တာ တင်ဖို့ကောင်းတဲ့နေရာ ဖြစ်ပါတယ်။ 




Google ကနေရှာကြည့်တဲ့အခါ ဟိုတယ်နာမည် wall lining ပုံစံတွေတူတာ တွေ့ရပါတယ်။ 



Facebook ကနေရှာကြည့်တဲ့အခါမှာ ဟိုတယ်နာမည် နဲ့ အဖြူရောင် အမှတ်အသားက တူညီနေတာကို တွေ့ရပါမယ်။ 




Time Line အရဆိုရင် 

1 - Hotel Schlicker in Munich, Germany on January 26, 2020

2- ? 

3- London 

နံပတ် 2 ကို ချန်ထားခဲ့တာက ဓတ်ဆီဆိုင်မှာ ရိုက်တဲ့ပုံက ဘယ်နေရာမှာ ရှိလဲဆိုတာ မသိရသေးတဲ့အတွက် ဖြစ်ပါတယ်။ 


Geolocation Analysis Of The Point B Image (Point B Image တည်နေရာကို Analysis ပြုလုပ်ခြင်း)




ပုံအရ ဓတ်ဆီဆိုင်ပုံက Hotel Schlicker in Munich, Germany နဲ့ London ကိုသွားတဲ့ လမ်းမှာ ရှိနေတယ်ဆိုတာကို ခန့်မှန်းနိုင်ပါတယ်။ 




Germany နဲ့ London ကို ကားနဲ့သွားနို်င်တဲ့ လမ်းကြောင်းကို Google map မှာ Point တင်ပြီး ဓာတ်ဆီဆိုင် ဘယ်နားမှာရှိတယ်ဆိုတာကို ကြည့်ကြည့်ပါမယ်။ ဖြစ်နိုင်ချေတွေက အများကြီးရှိပေမဲ့ အပေါ်မှာ Imagery Intelligence  အရ ရခဲ့တဲ့ ၈ ချက်ရှိပါတယ်။ အဲဒီကနေ ရလာတဲ့ သဲလွန်စက 

Europe, Fuel Station, Red, and White (ခေါင်မိုး) 






    Google မှာ ရှာကြည့်တဲ့အခါ ပုံစံတူတဲ့ ဆိုင်တွေအများကြီးတွေ့ရမှာ ဖြစ်ပါတယ်။ ဒါပေမဲ့ blue bowser pumps အပြာရောင် ဆီပန့်ရှိတဲ့ ဆိုင်က  Esso Petrol Station ဖြစ်ပါတယ်။  Munich to London သွားတဲ့လမ်းမှာ Esso Petrol Station တွေက အများကြီးရှိပါတယ်။ ဒါကြောင့် Imagery Intelligence  အရ ရခဲ့တဲ့ ၈ ချက်ထဲကနေ  ဆီဆိုင်တည်နေရာက 

- ရေကန်နဲ့နီးတဲ့နေရာ

- မြို့အပြင်  သို့မဟုတ် နေရာကျယ်တဲ့နေရာ 

- High Way လမ်းဘေးမှာ စတဲ့အချက်တွေနဲ့ တိုက်ဆိုင်ပြီးရှာဖွေပါမယ်။  (ဖွစျနိုငျခြတှေကေို တှကျခကြျပွီး ခြုံ့ပွီး စဉျးစားလိုကျတဲ့ သဘောပါ။) 

အဲလိုရှာတဲ့နရောမှာ  ဖွစျနိုငျတဲ့နရော 2 ခုကိုတှေ့ရပါတယျ။






Esso petrol stations  နေရာနဲ့ routes to London နေရာကို  GIMP  Tools နဲ့ layer 2 ခုကို  ထပ်ကြည့်လိုက်ရင် ဆီဆိုင်ရဲ့တည်နေရာ Baden အနီးမှာ ဖြစ်ပါတယ်။ အရင်တုန်းက Satellite Image ကနေ ကြည့်ရင် ထင်ရှားတဲ့ အမှတ်ဖြစ်မယ်ဆိုတာကိုလဲ တွေ့နိုင်ပါတယ်။ 
ရေကန်၊ အဝေးပြေးလမ်း။ မြို့ပြင်၊  ဓတ်ဆီဆိုင် Esso station  နဲ့တိုက်ကြည့်လိုက်ရင် နေရာကို တိတိကျကျသိရပြီး ဖြစ်ပါတယ်။ 







REF: https://medium.com/@benjamindbrown/finding-mcafee-a-case-study-on-geoprofiling-and-imagery-analysis-6f16bbd5c219





Comments

Post a Comment

Popular posts from this blog

NTFS Index Attributes

Image
  NTFS Index Attributes Now that we have described the general concept of B-trees, we need to describe how they are implemented in NTFS to create indexes. Each entry in the tree uses a data structure called an index entry to store the values in each node. There are many types of index entries, but they all have the same standard header fields, which are given in Chapter 13. For example, a directory index entry contains a few header values and a $FILE_NAME attribute. The index entries are organized into nodes of the tree and stored in a list. An empty entry is used to signal the end of the list. Figure 11.18 shows an example of a node in a directory index with four $FILE_NAME index entries. Figure 11.18. A node in an NTFS directory index tree with four index entries. Figure 11.18 The index nodes can be stored in two types of MFT entry attributes. The $INDEX_ROOT attribute is always resident and can store only one node that contains a small number of index entries. The $INDEX_ROOT at...
Read more

B-Trees (NTFS)

Image
  B-Trees An NTFS index sort attributes into a tree, specifically a B-tree. A tree is a group of data structures called nodes that are linked together such that there is a head node and its branches out to the other nodes. Consider Figure 11.13(A), where we see node A on top and it links to nodes B and C. Node B links to nodes D and E. A parent node is one that links to other nodes, and a child node is one that is linked to. For example, A is a parent node to B and C, which are children of A. A leaf node is one that has no links from it. Nodes C, D, and E are leaves. The example shown is a binary tree because there are a maximum of two children per node. Figure 11.13. Examples of A) a tree with 5 nodes and B) the same tree that is sorted by the node values FIG- 11.3 Trees are useful because they can be used to easily sort and find data. Figure 11.13(B) shows the same tree as we saw on the left side, but now with values that are assigned to each node. If we are trying to look up a ...
Read more

eCDFP (Module-6) (Window Forensics) (Part - 1 )

Image
လက်ရှိအချိန်မှာ PC/Laptop သုံးစွဲတဲ့အထဲမှာ Window အသုံးပြုသူက ကမ္ဘာမှာ အများဆုံးဖြစ်ပါတယ်။ Operation System အနေနဲ့ကြည့်မယ်ဆိုရင် ဒုတိယအများဆုံးဖြစ်ပါတယ်၊ ပထမအများဆုံးကတော့ Android ဖြစ်ပါတယ်။ Window 1.0 ကနေ အခုနောက်ဆုံးထွက်တဲ့ Window 11 အထိမှာ လက်ရှိလူတွေ အများဆုံးအသုံးပြုတာကတော့ Window 10/ Window 11 ဖြစ်ပါတယ်။ Forensics Analysis လုပ်မယ်ဆိုရင် Window ကနေရနိုင်တဲ့ Artifact (2) မျိုးရှိပါတယ်။ (1) System Artifacts  (2) User Artifacts  System Artifacts  ကတော့ Window Operation System   ကနေရနိုင်တဲ့ Artifacts တွေဖြစ်ပါတယ်။  System Artifacts Example  Registry Artifacts Event Logs File System Artifacts (Master File Table) Prefetch Files Volume Shadow Copies  User Artifacts ကတော့ User အသုံးပြုတဲ့ Computer ပေါ်မှာ User ကနေအသုံးပြုတဲ့ Activity တွေဖြစ်ပါတယ်။ တစ်ကယ်တန်း Forensics Analysis လုပ်မယ်ဆိုရင် System Artifacts ကိုရော User Artifacts ကိုရော Analysis ပြုလုပ်ပါတယ်။  User Artifacts Example  UserAssist  LNK Files Browser Artifacts...
Read more