Analiza dokumentów

Analiza dokumentów to proces analizowania dokumentów w celu wyodrębnienia istotnych danych. Termin ten jest często kojarzony z hakerstwem komputerowym, ponieważ hakerzy mogą „analizować” dokumenty w celu ujawnienia poufnych danych. Analiza dokumentów jest jednak również stosowana do celów niezwiązanych ze złośliwą działalnością. Przykłady obejmują identyfikowanie nieznanych typów plików i wyświetlanie metadanych plików.

Analizę dokumentów można przeprowadzać zarówno na plikach tekstowych, jak i plikach binarnych.

Pliki tekstowe

Analizowanie plików tekstowych jest prostym procesem, ponieważ przechowują one dane w postaci zwykłego tekstu. W dokumencie tekstowym można wyszukiwać znaki i ciągi znaków za pomocą narzędzia takiego jak grep lub innego narzędzia wyszukiwania. Ponieważ przetwarzanie tekstu jest stosunkowo szybką operacją komputera, analiza kilku dużych dokumentów może zająć mniej niż sekundę.

Typowe rodzaje plików tekstowych poddawanych analizie dokumentów obejmują pliki dziennika (.LOG, .TXT) i pliki konfiguracyjne (.CONF, .CNF). Jeśli haker uzyska dostęp na przykład do serwera internetowego, może przeszukać te pliki w poszukiwaniu nazw użytkowników, haseł i innych poufnych danych.

Pliki binarne

Pliki binarne mogą zawierać pewną ilość zwykłego tekstu, ale przechowują również binarne dane — jedynki i zera. Analizowanie danych binarnych jest trudniejsze, ponieważ nie można ich przeszukiwać za pomocą tekstowego narzędzia wyszukiwania. Ponadto wiele plików binarnych jest zapisywanych w zastrzeżonym formacie pliku, który trudno przetworzyć bez odpowiedniej aplikacji. Dlatego analiza dokumentów binarnych zazwyczaj koncentruje się na nagłówku i stopce dokumentu, które mogą zawierać zwykły tekst. Jej celem może być również wyodrębnienie metadanych pliku.

Wiele plików binarnych zawiera informacje o typie pliku w nagłówku pliku. Na przykład na przykładowym obrazie litery „PNG” w nagłówku wskazują, że plik jest obrazem PNG. Informacje te są przydatne do identyfikowania typu pliku, ponieważ nie ma on rozszerzenia pliku. Podobnie zdjęcia cyfrowe często zawierają ukryte dane EXIF zapisywane podczas wykonywania zdjęcia. Program do wyświetlania obrazów lub skrypt do analizy dokumentów może być w stanie wykryć i wyodrębnić te informacje.