Social Media Investigation သို့မဟုတ် Social Media Intelligence


 လူတစ်ယောက်ကသူသွားလာတာတဲ့ နေရာကို Social Media မှာတင်လိုက်ရင်- 

- ဘယ်နေရာမျိုးကို သွားတတ်လဲ

- မကြာခန သွားတတ်တာလား 

- ဘယ်နေရာတွေကို အများဆုံးသွားလာတတ်သလဲ

- အလုပ်နဲ့နီးတဲ့နေရာတွေကိုသွားတတ်တာလား

- အိမ်နဲ့ နီးတဲ့နေရာကိုပဲသွားတတ်တာလား

- ဘယ်သူတွေနဲ့ သွားလာတတ်သလဲ 

- ဘယ်အချိန်တွေမှာ သွားတတ်သလဲ 

- အဲနေရာကိုဘာနဲ့ ဘယ်လိုသွားတတ်သလဲ

- Location Check in မလုပ်ရင်တောင် Metadata တွေဖြစ်တဲ့ ဆိုင်အပြင်အဆင် စားပွဲ ထိုင်ခုံပုံစံ

အစားအသောက်ပြင်ဆင်တဲ့ပုံစံ နောက်ခံ မှာပေါ်တဲ့အရာတွေ Comment and Reply စတာတွေကိုကြည့်ရင် သိနိုင်ပါတယ်။

- ‌အိမ် နေရာဆိုလဲ အပေါ်က ပုံစံအတိုင်းပဲဖြစ်ပါတယ်။

Profile Information ကိုကြည့်လိုက်ရင်

- မွေးနေ့ 

-နေခဲ့တဲ့ကျောင်း

- တက်ခဲ့ တက်နေဆဲ တက္ကသိုလ်

- Email Or Phone Number စတဲ့ Information တွေကိုသိနိုငိပါတယ်။

- မိဘ ဆွေမျိုး ညီအစ်ကို သမီးရည်းစား ယောက်ကျား မိန်းမ အလုပ်အကိုင်နေရာ လုပ်ဖော်ကိုင်ဖက်

ငယ်သူငယ်ချင်း အလုပ်အတူလုပ်သူတွေ

အချို့က မွေးနေ့ဖျောက်ထားတယ် ဘယ်လိုသိနိုင်လဲဆိုရင် သူငယ်ချင်း ဒါမှမဟုတ် တစ်ယောက်ယောက်က‌တော့ Birthday Day Wish ကို Tag သို့မဟုတ် Timeline သို့မဟုတ် Comment မှာ လာရေးဖူးမှာပါ။ 

Phone Number Or Email 

သုံးလာတာကြာလာတာနဲ့အမျှ Public ဖြစ်နေတဲ့ Post တွေရှိခဲ့ရင် ။ အရင်က ရေးသားဖူးရင်။ Public ဖြစ်နေတဲ့ Post မှာ Comment ရေးဖူးခဲ့ရင် ။ ဒါတွေရေးဖူးတယ်ဆိုရင်တောင် သင့်အနေနဲ့ မှတ်မိနိုင်ချင်မှ မှတ်မိပါမယ်။ မယုံမရှိပါနဲ့။ 

Reply Comment Tag Reaction  တွေအရ ကိုယ်နဲ့ အရင်နှီးဆုံးက ဘယ်သူတွေဖြစ်မယ် ဘယ်လိုပတ်သတ်ဆက်နွယ်မှုဘယ်လိုရှိတယ်ဆိုတာကို သိနိုင်ပါတယ်။

 (ဒါမျိုးဆို မိန်းကလေးတွေက ပိုကျွမ်းကျင်ပါတယ် 😂)

အဲဒီကနေဘာတွေထပ်ရလာမလဲဆိုရင် 🤔

အရင်းနှီးဆုံးသူတွေ Close ဖြစ်တဲ့ပတ်သတ်သူ‌တွေ 

စတဲ့လူတွေအကြောင်းကို ရရှိလာပါမယ်။

ထပ်ပြီး Analysis လုပ်ရင်

သူက ဘာကိုစိတ်၀င်စားတတ်သလဲ နည်းပညာလား

ခွေးလေး ကြောင်လေးတွေကိုလား။ အစားအစာဆျဆိုရင် မလာရှမ်းကော လား 🤔 Etc .. စသည်ဖြင့်ပေါ့ 

ထပ်ပြီးသူက ဘာ‌တွေကို မုန်းတီးသလဲ မကြိုက်ဖူးလဲ။ 

ပူတာကိုမကြိုက်တာလား အေးတာကိုမကြိုက်တာလား မုန့်ဟင်းခါးကို နံနံပင်ထည့်ရင် မကြိုက်တာလား။ Etc .. စသည်ဖြင့်

ကျမ်းမာရေးဆိုရင် ဘယ်အချိန်ဆိုဘာဖြစ်တတ်သလဲ ။ ဘာရောဂါဖြစ်နေလဲ ။ ဘာရောဂါရှိလဲ။ 

ဘာတွေနဲ့မတည့်သလဲ 

သူလိုချင်တဲ့အရာ မျော်မှန်းတဲ့အရာ ရည်ရွယ်ချက်ကဘာတွေလဲ ဘာဖြစ်ချင်သလဲ ။ အခု သူ ဘာတွေ လိုအပ်နေလဲ ။ လိုချင်နေလဲ 

အနုပညာဘက်ဆိုရင်  Kpop Fan လား IC , Sai Sai Fan လား။ Etc ... 

အရေးအသားနဲ့ ပြောပုံဆိုပုံကိုကြည့်ပြီး သူ့ရဲ့ ဘာသာရေး နိုင်ငံရေး လူမှုရေး စီးပွားရေး အချစ်ရေး နဲ့ပတ်သတ်ပြီးခံယူချက် ယူဆချက်က ဘာဖြစ်နိုင်မလဲ 

ပေါင်းသင်း ဆက်ဆံရေး ခက်သူလား ပွင့်လင်းသူလား အထီးကျန်နေပြီး ဆိုက်ကို မကြာခနဖောက်နေတတ်သူလား။ လောင်နေတဲ့သူလား။ ဘာအကြောင်းတွေနဲ့ လောင်တတ်လဲ။ 

ဒါက ပုံထဲမှာပါတဲ့အချက်အလက်တွေကိုပဲဖော်ပြတာဖြစ်ပါတယ်။ နောက်ထပ် အသေးစိတ် Analysis လုပ်လို့ရတဲ့ အချက်တွေ ရှိပါသေးတယ်။ သူရဲ့အခြား ဆက်စပ်တဲ့ ရှိနိုင်တဲ့ Twitter LinkedIn Instagram Tiktok တွေကိုပါ လိုက်ပြီးကြည့်ရ Analysis လုပ်ရမှာ ဖြစ်ပါတယ်။ 

Example ...

(Surprise Gift တွေခတ်စားနေတဲ့အချိန်မှာ Profile ပုံလေး ကို Shop ကိုပို့ပြီး သူ ကြွေစေမဲ့စာသား‌လေး ရေးခိုင်းလိုက်တာနဲ့ နေရာ ဖုန်းနံပတ်လောက်ကတေ

သိနိုင်လောက်ပါတယ်။ အဖက်လုပ်ဖို့အတွက် Gift နဲ့ စာသား‌ရေးတာ ဆိုင်ကနေ ပို့မဲ့လိပ်စာ ဖုန်းနံပတ်ရဖို့ကတော့ ကိုယ့်အရည်အချင်းဖြစ်ပြီးဟိုက အဖက်လုပ်တာ မလုပ်တာကတော့ ကံပေါ့ 😂)


(Blog View 100k အမှတ်တရ ရေးတာပါ။)


#ForensicsMyanmar #SocialMedia

Comments

Post a Comment

Popular posts from this blog

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 valu
Read more

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 attrib
Read more

Volatility Workbench (GUI) for the Volatility tool

Image
 Memory Dump ကနေ Artifacts တွေကို ရယူနိုင်ဖို့ Volatility (Command Line) ကို တော်တော်များများ အသုံးပြုကြပါတယ်။ Pass Mark OS Forensics ကနေ GUI မသုံးချင်သူတွေ / နှစ်မျိုးလုံး အသုံးပြုချင်သူတွေအတွက် Volatility Workbench (GUI) ကိုပြုလုပ်ထားပါတယ်။ တွဲပြီးအသုံးပြုရမဲ့ Profile တွေကိုလဲ အသင့် Download ရယူနိုင်ပါတယ်။ Sample File တွေလဲပေးထားပါတယ်။ Open Source Computer Forensics Tool ဖြစ်တဲ့ Autopsy အပြင် Commercial Computer Forensics Tools တွေကလဲ လက်ရှိအချိန်ထိ Open Source ဖြစ်တဲ့ Volatility ကိုပဲ သူတို့ရဲ့ Software ထဲမှာ အသုံးပြုထားပါတယ်။                                                           Link  Volatility Workbench (GUI) for the Volatility tool
Read more