تهدید واقعی بیرون نیست، درون ماست: ساختار پوسیده امنیت
پس ما فناوری داریم، اما حکمرانی نداریم
و امنیت سایبری بدون شایسته‌سالاری یعنی دعوت‌نامه رسمی برای حمله 🤓

ما از دوران «نصب ابزار» عبور کرده‌ایم.
داشبوردهای اسپلانک و تست‌های نفوذ سطحی نه امنیت می‌آورند، نه اعتماد را بازمی‌گردانند. امروز، امنیت سایبری یک پروژه یک‌باره یا سرمایه‌گذاری تکنولوژیک نیست. بلکه فرایندی مستمر برای تاب‌آوری، معماری امن، انطباق با مقررات، و بلوغ فرهنگی است.

• نبود تصمیم‌گیران متخصص در رهبری امنیت سایبری
• ذهنیت پروژه‌محور و واکنشی، به‌جای راهبرد فرایندمحور
• حکمرانی ضعیف، بدون ممیزی مستمر یا انطباق مبتنی بر ریسک

از سال ۱۳۹۱ این موضوعات رو‌در جلسات کارشناسی تا تعامل با حکمرانان جزیره ای گفته شد هر سنگ، محدودیت و‌چالشی برایم ایجاد شد صدایم رساتر شد حوزه امنیت نه صنف می خواهد نه صرفا وندور های رنگارنگ، نه سمت های فضای لینکدین و‌رزومه های صرفا تکس! و  نه دکترین تقلبی، گنگ های دو زار ده شاهی متعدد!

یک تیم شایسته که دارای تخصص کارشناسی فنی، سیستم و فرایند رو کار کرده، قدرت انتقال ریسک ها را به کارشناس و بالاترین مقام سازمان، مسولیت پذیر، دید استراتژی، ارتباطات فراسازمانی، وطن پرست، تصمیم گیر و اخلاقمدار + اتوریتی سطح بالا

می شود انقلابی در ارتقا امنیت سایبری کشور! جز این وهم است و بس!

مهندسی یعنی درک نیاز، نه بودوبدو با اسم‌ها😵‍💫‌ نه صف‌کردن Splunk و FortiGate و ISO 27001 فقط چون فروش دارند. واقعیت این است که بخش بزرگی از بازار امنیت امروز از ابزار درآمد می‌سازد! نه از حل مسئله.

در حالی که امنیت واقعی از نیازسنجی دقیق شروع می‌شود، با اولویت‌بندی هوشمند ادامه پیدا می‌کند، منافع سازمان را می‌فهمد و بعد و فقط بعد، سراغ انتخاب راهکار می‌رود. اگر اول ابزار را بفروشی و بعد دنبال توجیهش بگردی، اسمش مهندسی نیست، اسمش بازار است. ما اگر واقعا مهندسیم، باید اول بفهمیم، بعد تصمیم بگیریم و در نهایت اجرا کنیم. امنیت بدون مهندسی نیاز، هزینه است نه سرمایه

درود دوستان، اگر از ادمین چنل اطلاعی دارید خوشحال میشم کمک کنید 🌹🌹

با سلام و وقت بخیر خدمت تمام دوستانی که در این مدت سراغ بنده رو گرفتن خیلی ممنونم ازتون عید نوروز و عید سعید فطر رو هم بهتون تبریک میگم انشالله که سال پر از خوبی و خوشی و رزق و روزی کنار خانواده های محترمتون داشته باشید بنده در صحت و سلامت کامل هستم سپاس گذارم از دوستای که جویای احوال بنده بودن 🌷🌷

اگر جایی دیدین که میگه "کانفیگی که وصله رو بفرستین تا تحلیل کنیم"، یک درصد احتمال بدین که اهدافی مثل سرقت کانفیگ، گزارش آیپی جهت مسدودسازی، شناسایی صاحب سرور و ... پشتش باشه.
نسبت به هر موضوع مشکوکی احتیاط کنین؛ خصوصا بات‌ها!

سلام و صبح بخیر به همه‌ی همراهان!

بعد از ۹۰ روز Packet Loss مطلق و قطعیِ Link، بالاخره وضعیت پورت‌های ما به حالت Up/Forwarding تغییر کرد. این سه ماه دوری از شبکه، مثل یک سناریوی Blackout در یک شبکه‌ی توزیع برق بود، اما خبر خوب اینه که تمام دیتابیس‌ها و لاگ‌های این مدت حفظ شده و آماده‌ی پردازش هستن.

از امروز دوباره برمی‌گردیم سراغ کالبدشکافی پروتکل‌های صنعتی، بررسی آسیب‌پذیری‌های PLCها و امنیت عمیق در لایه‌های SCADA. ممنون که توی این ایزولاسیون طولانی، پایدار (Stable) موندید.

Handshake Established… Let’s secure the infrastructure! 🛠️🔒

کالبدشکافی فنی سامانه باور ۳۷۳؛ فراتر از یک کپی‌کاری ساده
وقتی به تحلیل‌های فنی سامانه «باور ۳۷۳» نگاه می‌کنیم، مشخص میشه که با یک معماری پدافندی هوشمند و بومی‌سازی شده طرفیم که فراتر از الگوبرداری‌های صرفه. این گزارش تحلیلی که بر پایه OSINT تهیه شده، چند نکته کلیدی رو برملا می‌کنه:
🔹 رادار AESA معراج-۴: قلب تپنده سامانه که با بهره‌گیری از فناوری «آرایه فازی فعال»، برد کشف خیره‌کننده‌ی ۴۵۰ کیلومتری رو فراهم کرده. نکته فنی مهم، قابلیت LPI (احتمال کشف پایین) در این راداره که باعث می‌شه سامانه برای گیرنده‌های هشدار راداری (RWR) جنگنده‌های دشمن، سخت‌تر قابل شناسایی باشه.
🔹 هدایت پیشرفته TVM: برخلاف سیستم‌های قدیمی که فقط از هدایت نیمه‌فعال استفاده می‌کردن، باور ۳۷۳ از روش Track-via-Missile بهره می‌بره. در این متد، خودِ موشک اطلاعات رو دریافت و به زمین می‌فرسته تا پردازش دقیق‌تری روی هدف انجام بشه؛ نتیجه؟ مقاومت فوق‌العاده در برابر جنگ الکترونیک (ECCM) و دقت درگیری بسیار بالاتر.

تحلیل RCS و شبکه‌محوری: این سامانه با نگاه به الگوی پروازی و مقطع راداری (RCS) اهدافِ نسل جدید، به صورتی طراحی شده که در لایه‌های مختلف دفاعی (C2) ادغام بشه و به عنوان یک گره شبکه، کل آسمان رو تحت کنترل بگیره.

باور ۳۷۳ عملاً نشون داده که در بخش‌های «پردازش سیگنال» و «معماری یکپارچه»، جهش قابل توجهی نسبت به سیستم‌های قدیمی داشته. به نظر شما این سطح از بومی‌سازی چقدر می‌تونه پایداری شبکه پدافندی ما رو در شرایط «اشباع الکترونیک» تضمین کنه؟

#باور۳۷۳ #تکنولوژی_نظامی #پدافند_هوایی #رادار_AESA #تحلیل_فنی

[فنی/امنیتی] SURF Eavesdropping: وقتی خودِ موج خیانت می‌کند!

تصویر زیر مفهومی از یک حمله پیچیده به کانال‌های ارتباطی زیرآب است. در این سناریو، مهاجم (Eve) بدون نیاز به نفوذ نرم‌افزاری به کدهای رمزنگاری‌شده، صرفاً با تحلیل «نشت اطلاعات در لایه فیزیکی (PHY-Layer)»، داده‌ها را استخراج می‌کند.

این حمله از طریق مهندسی معکوسِ چهار پارامتر کلیدی سیگنال انجام می‌شود:

🔹 Phase (فاز): تحلیل دقیقِ تغییرات فاز برای تشخیص هم‌زمانی (Sync) و بازسازی الگوهای حرکتی فرستنده.

🔹 Modulation Classification: شناسایی اتوماتیکِ نوع مدولاسیون (مانند FSK یا PSK) که کلیدِ دمدولاسیون سیگنال است.

🔹 Symbol Rate Estimation: تخمین ریتمِ ارسال داده‌ها برای مرزبندی دقیقِ فریم‌ها و بسته‌های ارتباطی.

🔹 Data Decoding: بازسازی بیت‌های اصلی پس از عبور از مرحله‌ دمدولاسیون.

حتی اگر محتوای پیام (Payload) به شدت رمزنگاری شده باشد، حملات SURF همچنان خطرناک‌اند. مهاجم با تحلیلِ «اثر انگشت فیزیکی» (Device Fingerprinting) و تحلیلِ ترافیک (Traffic Analysis)، می‌تواند نوع شناور، مدل تجهیزات و حتی الگوی مأموریت زیردریایی را از طریق نشت‌های جزئیِ سیگنال (Side-channel leakage) شناسایی کند.

نتیجه: در دنیای ارتباطات زیرآب، رمزنگاری تنها خط دفاع نیست؛ امنیت واقعی یعنی مقابله با نشت در لایه‌ی فیزیکی.

#امنیت_سایبری #ارتباطات_زیرآب #SURF_Eavesdropping #سیگنال_پردازی #PHY_Security #مهندسی_مخابرات

⚡️ نبضِ عملیات در عمق ۲۸۴۸ متری: وقتی آلارم‌ها شروع به فریاد زدن می‌کنند!

سلام دوستان، امروز می‌خوام شما رو ببرم به قلبِ یک عملیات حفاری! 🏗️

این تصویری که می‌بینید، مانیتورِ اصلیِ اتاق کنترل دکل حفاریه. جایی که هر عدد و هر نمودار، سرنوشت میلیاردها تومان سرمایه و
ایمنی پرسنل رو تعیین می‌کنه

بیشتر آدم‌ها در این تصویر فقط چند عدد و نمودار می‌بینند، اما برای یک متخصص، این صفحه حکم یک «پرونده جنایی» در عمق ۲۸۴۸ متری زمین را دارد! بیایید به نکاتی نگاه کنیم که هر کسی بسیار حائز اهمیت هستند

پارادوکس خطرناک: دستور نرم‌افزار vs منطق مهندسی

اگر به پایین صفحه نگاه کنید، سیستم دستور می‌دهد: Increase the TD RPM (دور موتور را بالا ببر). اما همزمان آلارمِ قرمز فریاد می‌زند: Search for Reason of High Loss (تلفات گل بالاست، علت را پیدا کن!).

این یک تله است! اگر حفار صرفاً بر اساس الگوریتم پیش برود و سرعت را بالا ببرد، فاجعه رخ می‌دهد. اینجا دقیقاً نقطه‌ای است که «شهود مهندسی» باید بر «هوش مصنوعی» غلبه کند؛ گاهی بهترین
کار، سرپیچی از دستورات نرم‌افزار است

کابوس «تلفات ایستا» (Static Loss)

وضعیت روی مانیتور SLIPS OUT است؛ یعنی مته متوقف شده و لوله‌ها معلق‌اند. در این حالت، «تلفاتِ بالا» یعنی سازند زمین مثل یک اسفنجِ تشنه، گلِ حفاری گران‌قیمت را در حالت سکون می‌مکد. این یعنی خطرِ حتمی Differential Sticking! اگر لوله در این فشارِ نابرابر، به دیواره چاه بچسبد، دیگر به این راحتی‌ها جدا نمی‌شود و میلیاردها تومان هزینه روی دست پروژه می‌گذارد
لحظه طلایی آسیب‌پذیری (Surge & Swab)

در وضعیت SLIPS OUT (که لوله توسط قلاب نگه داشته شده)، چاه در حساس‌ترین حالت هیدرولیکی قرار دارد. کوچکترین جابجایی ناگهانی می‌تواند موج ضربه‌ای (Surge) ایجاد کند که باعث شکستن دیواره چاه یا ورود سیال مخزن (Kick) شود. دیدن آلارم تلفات درست در این لحظه، یعنی پایداری کل ستون چاه در لبه‌ی پرتگاه است.

فلسفه «سادگی بی‌رحمانه» در طراحی (UI/UX)

چرا مانیتور شبیه بازی‌های مدرن نیست؟ چون در لحظه‌ی بحران، مغز انسان نباید درگیر گرافیک شود. طراحیِ خشک و کلاسیک این سیستم‌ها یک هدف دارد: «حذفِ نویزِ بصری». در فشارِ کاری دکل، رنگ‌های تند و فونت‌های ساده، سریع‌ترین راه برای انتقال حقیقت محض به چشم اپراتور هستند.

شکاف زمانی؛ دیتای مرده!

به زمان‌ها دقت کنید: زمانِ برخی پارامترها (مثل SPM) روی ساعت ۱۲:۵۴ قفل شده، در حالی که آلارم اصلی در ساعت ۰۱:۲۴ ثبت شده است. این اختلاف ۳۰ دقیقه‌ای یعنی سیستم با «تأخیر» (Lag) مواجه است. در حفاری، دیتایی که ۳۰ دقیقه از آن گذشته باشد، «دیتایِ مرده» است. تصمیم‌گیری بر اساسِ دیتایِ قدیمی، مثل رانندگی با چشم‌بسته در جاده‌ای پر از پیچ است.

نتیجه‌

تکنولوژی حفاری هرچقدر هم پیشرفت کند، باز هم این «چشم تیزبین مهندس» است که باید تضادها را ببیند و در ثانیه‌های طلایی، جلوی فاجعه را بگیرد. دنیای حفاری، دنیای مدیریت تضادهاست!

فراتر از یک ویژوال ساده؛ وقتی کد به مرز سخت‌افزار می‌رسد! 🧠💻

خیلی‌ها وقتی این داشبورد نورومورفیک را می‌بینند، فکر می‌کنند با یک انیمیشن ساده طرف هستند. اما واقعیت فنی ماجرا کاملاً متفاوت است. اگر موقع اجرای این کد، سیستم شما زیر فشارِ شدید CPU می‌رود و فن‌ها با حداکثر سرعت شروع به کار می‌کنند، این اصلاً یک باگ یا ضعف کد نیست این دقیقاً نتیجه‌ی مستقیم Computation Load یا بار محاسباتی بسیار سنگینی است که در هر فریم (Frame) به‌صورت هم‌زمان انجام می‌شود.
داستان پشت هر فریم (Update Loop)
برای اینکه این داشبورد به این شکل نمایش داده شود، اسکریپت ما در هر ۰.۰۴ ثانیه (interval=40ms) عملیات زیر را به صورت متوالی و حجیم انجام می‌دهد

1. مدل‌سازی و بازسازی سطح (Surface Reconstruction): محاسبه‌ی میدان الکتریکی کورتکس با استفاده از توابع سینوسی پیشرفته و جمع برداری نوسانات (Traveling waves). این یعنی در هر فریم، هندسه‌ی سطح سه‌بعدی کورتکس از نو تولید و رندر می‌شود.

2. آنالیز طیفی (Spectral Decomposition): استفاده از الگوریتم‌های سنگین FFT و تبدیل‌های ویلت برای استخراجِ باندهای فرکانسی (Theta, Alpha, Beta, Gamma) از سیگنال خام. سیستم در حال تحلیل لحظه‌ای محتوای انرژی در بازه‌های مختلف است.
3.محاسبات شبکه عصبی و دینامیک اتصال‌پذیری: به‌روزرسانی ماتریس Connectivity و محاسبه‌ی پارامترهای پلاستیسیته و هم‌گرایی (Convergence) که قلب تپنده‌ی این شبیه‌سازی است.
4. رندر چندپنلی هم‌زمان (Multi-Panel Sync): به‌روزرسانی هم‌زمان ۵ تا ۷ پنل تحلیلی (شامل Spectrogram, Connectivity Heatmap, Neural Load, System Status) که هر کدام نیاز به رندر مجدد و مدیریت گرافیکی دارند.
5. شبیه‌سازی فیزیک ذرات (Particle Dynamics): محاسبات شناوری ذرات هولوگرافیک در فضایِ سه‌بعدی که خود نیازمند عملیات جبر خطی مکرر بر روی بردارهاست
چرا سیستم داغ می‌کند؟
چون این یک پخش‌کننده ویدیو نیست؛ این یک Real-time Neural Simulation Pipeline است که در لحظه دارد داده تولید می‌کند، آن‌ها را فیلتر می‌کند، تحلیل آماری روی آن‌ها انجام می‌دهد و خروجی عددی را به گرافیک بصری تبدیل می‌کند. بار کاری ناشی از scipy.signal برای فیلترینگ و matplotlib برای رندر سه‌بعدی هم‌زمان، عملاً تمام توان هسته‌های پردازشی شما را در هر سیکل زمانی به چالش می‌کشد.
خلاصه اینکه:
اگر CPU شما در حال فریاد زدن است، به این معنی نیست که کد شما کند است؛ به این معنی است که موتور محاسباتی پروژه، دقیقاً با تمام توان در حال شبیه‌سازی دینامیک نورومورفیک است. ما اینجا با "داده" بازی نمی‌کنیم، ما داریم "ساختار" را در هر میلی‌ثانیه بازآفرینی می‌کنیم

این همان مرز باریک بین یک نمایش بصری و یک شبیه‌سازی واقعی مهندسی است. ⚡️🧬

#Python #Neuromorphic #Simulation #DataScience #RealTimeComputing #NeuralDynamics #CodingLife #ComputationalPipeline@pythonwithmedev

همچنان تا پاسی از صبح کد باشه 👨🏻‍💻🦾✌🏻🔥 euromorphic S1 Sandbox

شبیه‌سازی مسیر حس از mechanoreceptor encoding تا thalamocortical relay و بازنمایی در BA3a / BA3b / BA1 / BA2

ترکیب somatotopy، STDP، cortical remapping و functional connectivity در یک معماری زنده

تحلیل spectrogram، band power، coherence و PLV برای خوانش ریتم‌ها و دینامیک‌های قشری

ردیابی هم‌زمان sync، latency، neural throughput و plasticity در مقیاس شبکه

جایی که brain dynamics از داده، به visualization و مدل محاسباتی تبدیل می‌شود

اینم از خروجی این چند شبِ بیداری؛
بالاخره تونستم «S1 Cortex Sandbox» رو اون‌جوری که می‌خواستم بیارم بالا. 🧠🦾
توی این پروژه، هدفم شبیه‌سازیِ کاملِ «مسیرِ حسی» (Somatosensory Pathway) بود؛ از لحظه‌ای که Mechanoreceptorها داده رو انکد می‌کنن تا زمانی که توی کورتکس حسی اولیه (S1) پردازش و بازنمایی می‌شه.

چی توی دل این کدها می‌گذره؟

۱. تالاموس، دروازه‌بان داده: توی این مدل، VPL و VPM رو جدا کردم تا بتونم گِیت‌بندی اطلاعات رو کنترل کنم. وقتی با اسلایدرِ Relay Noise بازی می‌کنم، قشنگ می‌شه دید چطور نویزِ محیطی، سیگنالِ نهاییِ کورتیکال رو مختل می‌کنه. این یعنی عملاً دارم توجه (Attention) رو در سطحِ تالاموس شبیه‌سازی می‌کنم.

۲. پلاستیسیته (انعطاف‌پذیریِ عصبی): پیاده‌سازیِ STDP (قانونِ یادگیری هِبی) اینجا قلبِ تپنده است. برای اینکه شبکه توی یادگیریِ بی‌پایان "اشباع" نشه، یک لایه‌یِ Meta-adaptive گذاشتم که وزن‌های سیناپسی رو توی یه محدوده‌یِ استیبل نگه می‌داره. همون Hebbian Core که می‌بینید، مسئولِ شکل‌گیریِ ارتباطاتِ جدیده.

۳. از طیف‌سنجی تا PLV:برای اینکه بفهمم شبکه واقعاً داره چی کار می‌کنه، لایه‌یِ آنالیزِ عصبی رو اضافه کردم. Spectrogram رو که می‌بینید، برای ردیابیِ ریتم‌های گاما و بتاست. ولی اون بخشِ Coherence و PLV (Phase Locking Value) خیلی حیاتیه؛ بهم نشون می‌ده که آیا نواحی مختلف BA3a تا BA2 واقعاً با هم "Sync" هستن یا فقط نویز خالصن

۴. معماری توزیع‌یافته: چون بار محاسباتی شبیه‌سازی صدها هزار سیناپس بالاست، پردازش رو تفکیک کردم:
- Edge (STP):** برای پردازش‌های میلی‌ثانیه‌ای و واکنش‌های سریع.
- Fog (Geometry):** محاسباتِ سوماتوتوپیک.
- Cloud (LTP):** برای ذخیره‌سازیِ الگوهایِ یادگیری‌شده.

جذاب‌ترین بخشش برای من، لحظه‌ایه که می‌بینم با تغییرِ پارامترهایِ ورودی، چطور نقشه (Map) توی کورتکس جابه‌جا می‌شه (Cortical Remapping). انگار واقعاً داری بافتِ مغز رو در لحظه تغییر می‌دی.

هنوز کلی جایِ بهینه‌سازی داره، مخصوصاً توی بخشِ Neural Throughput. ولی فعلاً همین‌قدر بدونید که سیستم «Status: Nominal» هست و داره کارش رو انجام می‌ده. 🔥

سوال فنی داشتید در مورد منطق این مدل یا پیاده‌سازیش، زیر همین پست بپرسید، با هم بازش کنیم.

#ComputationalNeuroscience #S1Cortex #NeuralDynamics #CodingLife #BrainModeling #STDP #Streamlit@pythonwithmedev