# Performing Timeline Reconstruction With Plaso > 使用 Plaso（log2timeline）构建综合取证超级时间线，将文件系统、日志和制品中的事件关联整合为统一的时间顺序视图。 - Skill: `killvxk/performing-timeline-reconstruction-with-plaso` (Agent Skill, multi-file: 4 files) - Install (CLI): `npx skillmds@latest add killvxk/performing-timeline-reconstruction-with-plaso` - Raw SKILL.md: https://api.skillmd.com/api/skills/killvxk/performing-timeline-reconstruction-with-plaso/raw - Safety review: pending - Works with: Claude Code, Claude.ai, OpenAI Codex - Category: Coding & Dev Tools - License: Apache-2.0 - Author: killvxk (https://skillmd.com/u/killvxk) - Updated: 2026-09-17 - Page: https://skillmd.com/skills/killvxk/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 ```bash # 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 ```bash # 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 ```bash # 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 ```bash # 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 ```bash # 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 ```