SSD Forensics Challenges (Part-2)

 SSD Forensics Challenges (Part-2) အပိုင်း (၃)  

 SSD Over-Provisioning

SSD တွေမှာ Wear-Leveling ကြောင့် SSD ရဲ့ Life Span ကိုတိုးစေပါတယ်။ SD  တိုင်းမှာ Over-Provisioning လုပ်ဖို့အတွက် Storage အပိုပါပါတယ်။ ဥပမာ SSD 256 GB မှာ 256 GB ထက်ပိုတဲ့ Storage ပမာဏပါဝင်ပါတယ်။ အပိုပါတဲ့ Block တွေက Over-Provisioning Area တွေဖြစ်ပါတယ်။ အဲဒီ Area တွေက Operation System မှာ မပေါ်ပါဘူး။ User ကလဲမမြင်နိုင်ပါဘူး။ SSD Controller ကနေပဲ တိုက်ရိုက် ထိမ်းချုပ်ထားတာဖြစ်ပါတယ်။  ဥပမာ Trime ON ထားတဲ့ Computer ထဲကနေ မလိုအပ်တဲ့ Data အချို့ကို ဖျက်လိုက်တယ်ဆိုရင်  SSD Controller ကနေ ဖျက်လိုက်တဲ့ Data တွေရှိတဲ့ Block ကို Trim လုပ်လိုက်ပြီး Data တွေကမလိုအပ်တော့ဘူးဆိုပြီးသတ်မှတ်လိုက်ပါတယ်။ Block ထဲက မလိုအပ်တဲ့ Data တွေကို Erase လုပ်ဖို့အတွက် SSD ရဲ့ Background Process ဖြစ်တဲ့ Garbage Collection ရဲ့ Queue List ထဲကိုထည့်လိုက်ပါတယ်။ အဲဒီအခါမှာ ခုနက မလိုအပ်တဲ့ Block ထဲက Data တွေက Over-Provisioning Area ထဲကိုရောက်သွားပါတယ်။ Garbage Collection Queue List ထဲမှာရှိတဲ့အတိုင်း မလိုတဲ့ Data တွေကို List အတိုင်းဖျက်စီးပစ်ပါတယ်။ ဖျက်တဲ့အခါမှာ Data Size  နဲ့ SSD Performance အပေါ်မူတည်ပြီး အချိန်အတိုင်းအတာ တစ်ခုအထိကြာပါတယ်။ SSD Firmware Bug တွေကြောင့် Over-Provisioning Area ထဲက Trim လုပ်ထားတဲ့ Data တွေကို မပျက်စီးတာလဲရှိတတ်ပါတယ်။ 

Trim လုပ်ထားပေမဲ့ Data ရှိနေဆဲ Block တွေကိုဖတ်ရင် ဘာဖြစ်မလဲဆိုရင်။ Trim မှာ SSD ပေါ်မူတည်ပြီး (၃) မျိုးရှိပါတယ်။

Non-deterministic TRIM

Deterministic Read After Trim (DRAT)

Deterministic Read Zero after TRIM (RZAT) 

Non-deterministic TRIM

Trime  လုပ်ထားတဲ့ Block ကိုဖတ်မယ်ဆိုရင်  အခြား Data သို့မဟုတ် Zero တွေကြည့်ပဲ SSD Controller ကနေ Reply ပြန်မှာဖြစ်ပါတယ်။ 

Deterministic Read After Trim (DRAT)

Trime  လုပ်ထားတဲ့ Block ကိုဖတ်မယ်ဆိုရင်  သူ့မှာအရင်ထဲက သတ်မှတ်ထားပြီးသားဖြစ်တဲ့ Zero တွေကြည့်ပဲ SSD Controller ကနေ Reply ပြန်မှာဖြစ်ပါတယ်။ 

Deterministic Read Zero after TRIM (RZAT) 

Trim  လုပ်ထားတဲ့ Block ကိုဖတ်မယ်ဆိုရင်  သူ့ထဲမှာ Data အသစ်မရောက်မချင်း Zero တွေကြည့်ပဲ SSD Controller ကနေ Reply ပြန်မှာဖြစ်ပါတယ်။  နောက်ပိုင်းမှာ Deterministic Read After Trim (DRAT)နဲ့ Deterministic Read Zero after TRIM (RZAT)  တွေကိုပဲ အသုံးများပါတယ်။ 

SSD မှာ ဘယ်လို Trim Mode ကိုသုံးထားလဲဆိုတာကြည့်ဖို့အတွက် hdparm  ကိုသုံးနိုင်ပါတယ်။ 

hdparm -I /dev/sda | grep -i trim

 Data Set Management TRIM supported (limit 1 block)

 Deterministic read data after TRIM

အခုအချိန်မှာ SSD ကို OS တော်တော်များများနဲ့ RAID, NAS တို့မှာအသုံးပြုလာနိုင်ပြီးဖြစ်ပါတယ်။ RAID, NAS တို့မှာတော့ Trim သုံးမယ်ဆိုရင် Raid Level အလိုက် NAS အမျိုးအစားအလိုက် သတ်မှတ်ချက်တွေ ရှိပါတယ်။ SSD ကို External Hard Disk ပုံစုံမျိုး USB Connection နဲ့တွဲသုံးမယ်ဆိုရင်တော့ Trim က Support မပေးပါဘူး။ Trim က USB Interface မှာ အလုပ်မလုပ်ပါဘူး။ 


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