Database Systems Examination and Digital Forensics Tool: The Progress and Limitations
Notice bibliographique
Résumé
Databases play a critical role in many computing systems and applications and provide an excellent source of information for forensics investigations. Also, with many advances in the digital forensics field, several forensic tools can be employed for different purposes in digital investigations. Despite this, many forensics tools have limitations when it pertains to the collection, examination, or analysis of potential evidence from database management systems due to the inherent complexities of handling different database systems. This is particularly true for free or open-source tools that can be used for research purposes, and this limits the development of new tools and solutions for database forensics. To address this and forge a path for the development of new tools for database forensics, this paper highlights some of the available tools that can be used for database forensics, the limitations of using some of these tools, and the challenges of performing database analysis in general. We achieve this through a practical analysis of the tools and examine their capabilities in terms of supporting the forensics analysis of databases found on digital devices. Given their popularity, we consider databases found on both Android and iPhone devices, as well as other data sources. We integrated an analysis of relevant testing reports from the Computer Forensics Tool Testing (CFTT) program to provide a complete picture of the forensic tools. This paper establishes the aspects where these tools can be improved and provides recommendations for handling some of the challenges associated with the forensics analysis of database systems.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».