Communitygithub.com

Analyse de la MFT pour la récupération de fichiers supprimés

Analysez la Master File Table ($MFT) NTFS avec MFTECmd, analyzeMFT et d'autres outils pour récupérer des fichiers supprimés dans le cadre d'enquêtes forensiques.

Qu'est-ce que Analyse de la MFT pour la récupération de fichiers supprimés ?

Cette compétence guide les analystes forensiques et les enquêteurs SOC dans la récupération de fichiers supprimés à partir de la Master File Table ($MFT) NTFS, le référentiel central des métadonnées de fichiers sous Windows. Elle couvre quatre techniques principales : l'analyse directe des enregistrements MFT à l'aide de MFTECmd, l'analyse du journal USN ($UsnJrnl:$J) pour les événements de suppression, l'analyse transactionnelle du $LogFile et l'exploration de l'espace libre des enregistrements MFT (slack space) pour les vestiges de données. La compétence s'appuie sur des outils standards comme MFTECmd (Eric Zimmerman), analyzeMFT, Timeline Explorer et des scripts Python sur-mesure. Elle inclut une description détaillée de la structure des enregistrements MFT (en-tête, attributs $STANDARD_INFORMATION, $FILE_NAME, $DATA), des tableaux de référence, des exemples de commandes PowerShell et de code Python, ainsi que des méthodes de corrélation avec la corbeille ($Recycle.Bin) et les clichés instantanés (Volume Shadow Copies). L’objectif est de permettre la reconstruction des timelines, la détection de timestomping, et l’orientation du data carving pour les incidents de cybersécurité.

Compatible avec~Claude Code~Codex CLI~Cursor
npx skills add https://github.com/mukul975/Anthropic-Cybersecurity-Skills/tree/main/skills/analyzing-mft-for-deleted-file-recovery

Demander à votre IA préférée

Ouvre une nouvelle conversation avec cette compétence d'agent déjà préchargée.

Documentation

Que fait Analyse de la MFT pour la récupération de fichiers supprimés ?

Vue d’ensemble

La Master File Table ($MFT) NTFS est le référentiel central des métadonnées de chaque fichier et répertoire sur un volume NTFS. Chaque fichier est représenté par au moins un enregistrement MFT de 1024 octets contenant des attributs tels que $STANDARD_INFORMATION (horodatages, permissions), $FILE_NAME (nom, répertoire parent, horodatages) et $DATA (contenu du fichier ou pointeurs vers les clusters). Lorsqu'un fichier est supprimé, son enregistrement MFT est marqué comme inactif (le flag InUse est effacé), mais les métadonnées persistent jusqu'à ce que l'entrée soit réallouée par un nouveau fichier. Cette persistance fait de l'analyse MFT une technique primordiale pour la récupération de fichiers supprimés, la reconstruction de timelines du système de fichiers et la détection d'activités anti-forensiques comme le timestomping.

Quand utiliser

  • Lors d’investigations d’incidents de sécurité nécessitant l’analyse de la MFT pour la récupération de fichiers supprimés.
  • Pour la création de règles de détection ou de requêtes de Threat Hunting dans ce domaine.
  • Lorsque les analystes SOC ont besoin de procédures structurées pour ce type d’analyse.
  • Pour valider la couverture de la surveillance de sécurité vis-à-vis des techniques d’attaque associées.

Prérequis

  • Image disque forensique (format E01, raw/dd, VMDK ou VHDX)
  • MFTECmd (Eric Zimmerman) ou analyzeMFT (basé sur Python)
  • FTK Imager, Arsenal Image Mounter ou équivalent pour le montage d’images
  • Timeline Explorer ou Excel pour l’analyse CSV
  • Python 3.8+ pour les scripts d’analyse personnalisés
  • Compréhension des mécanismes internes du système de fichiers NTFS

Structure de la MFT et disposition des enregistrements

En-tête d’un enregistrement MFT

Chaque enregistrement MFT commence par la signature « FILE » (0x46494C45) et contient :

OffsetTailleChamp
0x004 octetsSignature (« FILE »)
0x042 octetsOffset vers la séquence de mise à jour
0x062 octetsTaille de la séquence de mise à jour
0x088 octetsNuméro de séquence $LogFile
0x102 octetsNuméro de séquence
0x122 octetsNombre de liens physiques
0x142 octetsOffset vers le premier attribut
0x162 octetsFlags (0x01 = InUse, 0x02 = Répertoire)
0x184 octetsTaille utilisée de l’enregistrement MFT
0x1C4 octetsTaille allouée de l’enregistrement MFT
0x208 octetsRéférence à l’enregistrement de base
0x282 octetsID du prochain attribut

Attributs MFT clés

ID typeNomDescription
0x10$STANDARD_INFORMATIONHorodatages, flags, ID propriétaire, ID sécurité
0x30$FILE_NAMENom de fichier, référence MFT parent, horodatages
0x40$OBJECT_IDGUID unique du fichier
0x50$SECURITY_DESCRIPTORPermissions ACL
0x60$VOLUME_NAMEÉtiquette du volume (fichiers de métadonnées volume uniquement)
0x80$DATAContenu du fichier (résident si < 700 octets) ou liste de clusters
0x90$INDEX_ROOTRacine d’index B-tree pour les répertoires
0xA0$INDEX_ALLOCATIONEntrées d’index B-tree pour les grands répertoires
0xB0$BITMAPBitmap d’allocation pour l’index ou la MFT

Techniques de récupération de fichiers supprimés

Technique 1 : Analyse des enregistrements MFT avec MFTECmd

# Extraire $MFT de l’image forensique via KAPE ou FTK Imager
# Analyser $MFT avec MFTECmd
MFTECmd.exe -f "C:\Evidence\$MFT" --csv C:\Output --csvf mft_full.csv

# Filtrer les fichiers supprimés (InUse = FALSE) dans Timeline Explorer
# Chercher les entrées où la colonne InUse est False

Identifier les fichiers supprimés dans le CSV de sortie :

  • InUse = False indique un enregistrement supprimé ou réalloué
  • ParentPath montre le chemin d’origine avant suppression
  • FileSize affiche la taille originale (potentiellement récupérable)
  • Les horodatages dans les attributs $STANDARD_INFORMATION et $FILE_NAME persistent

Technique 2 : Analyse du journal USN ($UsnJrnl:$J)

Le journal USN enregistre toutes les modifications apportées aux fichiers d’un volume NTFS, y compris la création, la suppression, le renommage et les modifications de données.

# Analyser le journal USN avec MFTECmd
MFTECmd.exe -f "C:\Evidence\$J" --csv C:\Output --csvf usn_journal.csv

# Codes de raison USN clés pour les preuves de suppression :
# USN_REASON_FILE_DELETE     = 0x00000200
# USN_REASON_CLOSE           = 0x80000000
# USN_REASON_RENAME_OLD_NAME = 0x00001000
# USN_REASON_RENAME_NEW_NAME = 0x00002000

Technique 3 : Analyse transactionnelle du $LogFile

Le $LogFile stocke les enregistrements de transactions NTFS qui peuvent révéler des opérations sur les fichiers, même après que le journal USN ait été recyclé.

# Analyser $LogFile avec LogFileParser
LogFileParser.exe -l "C:\Evidence\$LogFile" -o C:\Output

# Chercher les opérations REDO et UNDO indiquant une suppression :
# - DeallocateFileRecordSegment
# - DeleteAttribute
# - UpdateResidentValue (effacement du flag InUse)

Technique 4 : Analyse de l’espace libre des enregistrements MFT (MFT Slack Space)

L’espace libre dans la MFT (slack space) se situe entre la fin de la partie utilisée d’un enregistrement MFT et la fin des 1024 octets alloués. Cette zone peut contenir des vestiges d’enregistrements de fichiers précédents.

import struct

def parse_mft_slack(mft_path: str, output_path: str):
    """Extract and analyze MFT slack space for deleted file remnants."""
    with open(mft_path, "rb") as f:
        record_size = 1024
        record_num = 0
        slack_findings = []

        while True:
            record = f.read(record_size)
            if len(record) < record_size:
                break

            # Verify FILE signature
            if record[:4] != b"FILE":
                record_num += 1
                continue

            # Get used size from offset 0x18
            used_size = struct.unpack("<I", record[0x18:0x1C])[0]

            if used_size < record_size:
                slack = record[used_size:]
                # Check if slack contains readable strings or attribute headers
                if any(c > 0x20 and c < 0x7F for c in slack[:50]):
                    slack_findings.append({
                        "record": record_num,
                        "used_size": used_size,
                        "slack_size": record_size - used_size,
                        "slack_preview": slack[:100].hex()
                    })

            record_num += 1

    return slack_findings

Corrélation avec les artefacts complémentaires

Mise en relation MFT et $Recycle.Bin

# Analyser la corbeille avec RBCmd
RBCmd.exe -d "C:\Evidence\$Recycle.Bin" --csv C:\Output --csvf recycle_bin.csv

# Corrélation : les fichiers $I contiennent le chemin d’origine et l’horodatage de suppression
# Faire correspondre les numéros d’entrée MFT des fichiers $R aux enregistrements MFT d’origine

Mise en relation MFT et clichés instantanés (Volume Shadow Copies)

# Lister les clichés instantanés
vssadmin list shadows

# Monter les clichés et extraire $MFT de chacun
# Comparer les enregistrements MFT entre les clichés pour suivre les changements au fil du temps

Valeur forensique

  • Récupération des métadonnées de fichiers supprimés : nom d’origine, chemin, taille et horodatages
  • Reconstruction de timeline : événements de création, modification, accès et suppression
  • Détection de timestomping : comparaison des horodatages $SI vs $FN
  • Guidage pour le data carving : les clusters pointés par les enregistrements MFT indiquent l’emplacement du contenu sur le disque
  • Détection anti-forensique : identification d’enregistrements MFT effacés ou manipulés

Références

Exemple de sortie

$ MFTECmd.exe -f "C:\Evidence\$MFT" --csv /analysis/mft_output

MFTECmd v1.2.2 - MFT Parser
==============================
Entrée : C:\Evidence\$MFT (Taille : 384 Mo)
Nombre total d’enregistrements MFT : 395 264

Analyse des enregistrements MFT... Terminée (12,4 secondes)

--- Résumé de la récupération de fichiers supprimés ---
Total des entrées :                395 264
Fichiers actifs :                  245 832
Fichiers supprimés :               149 432
  Récupérables :                    87 234 (données résidentes ou clusters non réalloués)
  Partiellement récupérables :     31 456 (certains clusters écrasés)
  Non récupérables :               30 742 (tous les clusters réalloués)

--- Fichiers récemment supprimés (Fenêtre d’incident : 2024-01-15 à 2024-01-18) ---
Entrée MFT | Nom du fichier                 | Chemin                            | Taille    | Supprimé (UTC)         | Récupérable
-----------|-------------------------------|-----------------------------------|-----------|-----------------------|------------
148923     | exfil_tool.exe                | C:\ProgramData\Updates\           | 1 258 496 | 2024-01-17 02:45:12   | OUI
148924     | exfil_tool.log                | C:\ProgramData\Updates\           | 45 312    | 2024-01-17 02:45:14   | OUI
149001     | passwords.txt                 | C:\Users\jsmith\Desktop\           | 2 048     | 2024-01-17 02:50:33   | OUI
149150     | scan_results.csv              | C:\Users\jsmith\AppData\Local\Temp | 892 416   | 2024-01-17 03:00:01   | PARTIEL
149200     | mimikatz.exe                  | C:\Windows\Temp\                   | 1 250 816 | 2024-01-18 01:15:22   | OUI
149201     | sekurlsa.log                  | C:\Windows\Temp\                   | 32 768    | 2024-01-18 01:15:25   | OUI
149302     | .bash_history                 | C:\Users\jsmith\                   | 4 096     | 2024-01-18 03:00:00   | NON
149400     | ClearEventLogs.ps1            | C:\Windows\Temp\                   | 1 536     | 2024-01-18 03:01:12   | OUI

--- Analyse des horodatages $STANDARD_INFORMATION vs $FILE_NAME (Détection de timestomping) ---
Entrée MFT | Nom du fichier     | $SI Créé            | $FN Créé            | Écart      | Verdict
-----------|-------------------|---------------------|---------------------|------------|----------
148923     | exfil_tool.exe     | 2023-06-15 10:00:00 | 2024-01-15 14:34:02 | -214 jours | TIMESTOMPÉ
149200     | mimikatz.exe       | 2022-01-01 00:00:00 | 2024-01-16 02:30:15 | -745 jours | TIMESTOMPÉ

Fichiers récupérés exportés vers : /analysis/mft_output/recovered/
Rapport CSV complet : /analysis/mft_output/mft_analysis.csv (395 264 lignes)
CSV de timeline : /analysis/mft_output/mft_timeline.csv

Individual skills in this repo

This repo contains 20 individual skills — each has its own dedicated page.

abusing-dpapi-for-credential-access

Extract and decrypt Windows DPAPI-protected secrets (Credential Manager, browser logins/cookies, Wi-Fi credentials, KeePass keys) online or offline using SharpDPAPI, SharpChrome, Mimikatz, or Impacket

abusing-shadow-credentials-for-privesc

Take over Active Directory accounts by writing attacker-controlled public keys to msDS-KeyCredentialLink (Shadow Credentials) with pyWhisker, Whisker, or Certipy, then authenticate via PKINIT to recover the target

achieving-cmmc-level-2-compliance

>-

acquiring-disk-image-with-dd-and-dcfldd

Create forensically sound bit-for-bit disk images with dd or dcfldd on a Linux forensic workstation, preserving evidence integrity through hash verification (MD5/SHA) during acquisition. Use when imaging a suspect drive, USB device, or memory card for investigation, preserving volatile disk evidence during incident response, or producing a verified copy for legal or law-enforcement proceedings before any destructive analysis.

analyzing-active-directory-acl-abuse

Detect dangerous ACL misconfigurations in Active Directory using ldap3

analyzing-android-malware-with-apktool

Perform static analysis of Android APK malware using apktool for resource decompilation, jadx for Java source recovery, and androguard for manifest inspection, dangerous permission-combination detection, and identification of obfuscated code, dynamic code loading, and reflection-based API calls. Use to statically triage a suspicious APK without executing it or to build mobile malware detection rules.

analyzing-api-gateway-access-logs

Parses API Gateway access logs (AWS API Gateway, Kong, Nginx) to detect

analyzing-apt-group-with-mitre-navigator

Query ATT&CK data with attackcti, mitreattack-python, and stix2, then build MITRE ATT&CK Navigator layers and multi-layer heatmap overlays mapping one or more APT groups

analyzing-azure-activity-logs-for-threats

Queries Azure Monitor activity logs and sign-in logs via azure-monitor-query

analyzing-bootkit-and-rootkit-samples

Analyzes bootkit and advanced rootkit malware infecting the Master

analyzing-browser-forensics-with-hindsight

Parse Chromium-based browser databases with Hindsight to extract and correlate browsing history, downloads, cookies, cached content, autofill data, saved passwords, and extensions from Chrome, Edge, Brave, Opera, and Vivaldi into a unified timeline (XLSX, JSON, or SQLite output). Use during incident response, insider-threat investigations, or criminal cases when you need to reconstruct a user

analyzing-campaign-attribution-evidence

Systematically evaluate cyber-campaign evidence to attribute an operation to a threat actor, using the Diamond Model and Analysis of Competing Hypotheses (ACH) to weigh infrastructure overlaps, TTP consistency, malware code similarity, and timing/language artifacts into confidence-weighted attribution assessments. Use when an incident investigation needs a defensible attribution confidence level.

analyzing-certificate-transparency-for-phishing

Monitor Certificate Transparency logs using crt.sh and Certstream to

analyzing-cloud-storage-access-patterns

Detect abnormal access in AWS S3, GCS, and Azure Blob Storage by analyzing CloudTrail Data Events, GCS audit logs, and Azure Storage Analytics for after-hours bulk downloads, new-IP access, and API-call spikes (e.g. GetObject) via statistical baselines and time-series anomaly detection. Use when investigating suspected cloud data exfiltration or building related detection rules.

analyzing-cobalt-strike-beacon-configuration

Extract and analyze Cobalt Strike beacon configuration from PE files

analyzing-cobaltstrike-malleable-c2-profiles

Parse and analyze Cobalt Strike Malleable C2 profiles with dissect.cobaltstrike (profiles and beacon-payload configs) and pyMalleableC2 (AST parsing) to extract HTTP/DNS transforms, URIs, headers, sleep/jitter, and injection behavior, then generate network detection signatures. Use when reverse-engineering a captured malleable profile or building detections against Cobalt Strike Beacon traffic.

analyzing-command-and-control-communication

Analyzes malware C2 communication over HTTP, HTTPS, DNS, and custom

analyzing-cyber-kill-chain

Analyzes intrusion activity against the Lockheed Martin Cyber Kill Chain

analyzing-disk-image-with-autopsy

Perform comprehensive forensic analysis of raw (dd), E01, or AFF disk images with Autopsy and The Sleuth Kit, recovering deleted files, examining metadata and embedded artifacts, keyword searching, and building investigation timelines with visual reports. Use for structured analysis of a forensic disk image or when stakeholders need visual reports from evidence.

analyzing-dns-logs-for-exfiltration

Analyzes DNS query logs to detect data exfiltration via DNS tunneling,

Skills associés