LLM被動式資料搜集
在現今這個AI Agent的時代，我們可以利用大語言模型(Large Language Models, LLMs)強化我們的被動偵查，協助我們更有效率的搜集、處理以及合成資料
被動式資料搜集
被動式的收集資料有時候稱為開源情報(Open-Source Intelligence, OSINT)，是針對目標機器搜集一套對外開放服務的資訊，通常不需要跟目標機器用command互動，這也是讓我們的行為不會被目標機器錄下來，在開始介紹工具前，我們對於被動式搜集的情境先介紹一下兩種不同解釋
網路安全從業職位
隨著網路技術越來越發達，越來越多的網路安全職業出現，許多公司也出現不同職稱的角色，每個角色需要的技能都不太相同，畢竟技術越來越細節且複雜，不過讀者還是可以記住一些的工作職位，以及這些職缺的人員每天都做些什麼工作
剖析網路安全結構
基本上網路安全其目的就是為了組織的風險管理而存在的，探討網路科技所帶來的威脅是如何影響到公司資產，這些系統能為公司帶來商業價值，同樣也可以造成等值的商業損失，所以我們才需要想控管機制來管理風險，我們利用網路安全的方法來解析數種元素之間的關係
資安標準與框架簡介
遵照已經審查過的標準與框架可以加快我們在組織內施行相關安全政策的速度，尤其PCI DSS、CIS Top 18、NIST網路安全框架、MITRE ATT&CK跟D3FEND、ISA/IEC 62443、Cyber Kill Chain、FedRAMP等經過審查的標準與框架更是值得參考
資安法規簡介
目前世上有一些資安法規根據國家或者地區管轄權所制定出來的，大部分可以遵守的是美國的法規，但也有一些可以應用到國際法庭上，作為資安專業學習人我們也應該要很注重法規的制定及應用範圍，才不會在這條路上迷失自己
Log紀錄與混亂測試
組織把非常細節的資訊紀錄起來以利之後搜尋是非常重要的，尤其是所有技術型操作的紀錄更是安全設計上關鍵的一環，保持資料的一致、標準的規格以及足夠的細節能夠讓資安團隊在遇到事件時快速處理問題，能夠及早偵測出入侵路徑
