Аннотация
Статья посвящена вопросам анализа бинарных данных, содержащихся во внутренней энергонезависимой памяти вычислительных систем. Показано, что при решении задач, предполагающих анализ бинарных данных, в условиях отсутствия технической документации на целевую вычислительную систему возникает необходимость определения архитектуры вычислительной системы. Отмечено, что отсутствие методов и средств автоматизации определения архитектуры вычислительной системы приводит к повышению требований к квалификации аналитика, увеличению временных затрат и снижению достоверности. Таким образом, очевидна актуальность решения задачи разработки средств автоматизации определения архитектуры вычислительной системы по имеющимся бинарным данным. Обоснована необходимость использования математического аппарата нейронных сетей. Исходя из анализа предметной области установлено, что в полном объеме реализовать процессы обучения и применения по назначению при решении поставленной задачи позволят рекуррентные нейронные сети. Обоснована необходимость проектирования программного изделия, реализующего рекуррентную нейронную сеть и предназначенного для автоматизации определения архитектуры вычислительной системы по имеющимся бинарным данным. Предложено использование объектно-ориентированного подхода при проектировании указанного программного изделия. Сформулированы основные задачи, решаемые изделием: создание рекуррентных нейронных сетей, настройка параметров оптимизации, интерпретация значений выходного слоя и вычисление функции потерь. Представлены диаграммы компонентов, классов и состояний в нотации языка объектно-ориентированного моделирования UML, а также приведены в текстовом виде назначения элементов диаграмм. Для демонстрации подхода выполнено объектно-ориентированное проектирование программного изделия, реализующего рекуррентную нейронную сеть и предназначенного для автоматизации определения архитектуры вычислительных систем. Изделие может быть использовано в ходе решения ряда задач, связанных с анализом бинарных данных, в интересах обеспечения информационной безопасности вычислительных систем.
Ключевые слова: информационная безопасность, объектно-ориентированное проектирование, вычислительные системы, нейронные сети, UML, анализ бинарных данных, дизассемблирование, нечеткое сравнение данных
Список литературы
1. Гетьман А.И., Падарян В.А. Восстановление формата данных путем анализа бинарного кода: состояние и перспективы // Проблемы информационной безопасности. Компьютерные системы. – 2014. – № 3. – С. 123–130.
2. Падарян В.А., Каушан В.В., Федотов А.Н. Автоматизированный метод построения эксплойтов для уязвимости переполнения буфера на стеке // Труды Института системного программирования РАН. – 2014. – Т. 26, вып. 3. – С. 127–144.
3. Метод выявления некоторых типов ошибок работы с памятью в бинарном коде программ / В.В. Каушан, А.Ю. Мамонтов, В.А. Падарян, А.Н. Федотов // Труды Института системного программирования РАН. – 2015. – Т. 27, вып. 2. – С. 105–126.
4. Тихонов А.Ю., Аветисян А.И. Комбинированный (статический и динамический) анализ бинарного кода // Труды Института системного программирования РАН. – 2012. – Т. 22. – С. 131–152.
5. Применение программных эмуляторов в задачах анализа бинарного кода / П.М. Дов-галюк, В.А. Макаров, В.А. Падарян, М.С. Романеев, Н.И. Фурсова // Труды Института системного программирования РАН. – 2014. – Т. 26, вып. 1. – С. 277–296.
6. Круглов В.В., Дли М.И., Горбунов Р.Ю. Нечеткая логика и искусственные нейронные сети. – М.: Физматлит, 2001. – 224 с.
7. Graves A. Multi-dimensional recurrent neural networks // Lecture Notes in Computer Science. – 2007. – Vol. 4668. – P. 549–558 p.
8. Бендерская Е.Н., Никитин К.В. Рекуррентная нейронная сеть как динамическая система и подходы к ее обучению // Научно-технические ведомости Санкт-Петербургского государственного политехнического университета. Информатика. Телекоммуникации. Управление. – 2013. – № 176. – С. 29–40.
9. Меркушева А.В., Малыхина Г.Ф. Нейронная сеть с множественной рекуррентной структурой // Научное приборостроение. – 2012. – Т. 22, № 3. – С. 107–113.
10. Будыльский Д.В. Применение рекуррентных нейронных сетей в задачах обработки текстов на естественном языке // Вопросы науки. – 2015. – Т. 6. – С. 8–12.
11. Пучков Е.В., Лила В.Б. Методология обучения рекуррентной искусственной нейронной сети с динамической стековой памятью // Программные продукты и системы. – 2014. – № 4 (108). – С. 132–135.
12. Рамбо Дж., Блаха М. UML 2.0. Объектно-ориентированное моделирование и разработка: пер. с англ. – 2-е изд. – СПб.: Питер, 2006. – 544 с.
13. Буч Г., Якобсон А., Рамбо Дж. UML: пер. с англ. / под общ. ред. С. Орлова. – 2-е изд.– СПб.: Питер, 2006. – 736 с. – (Классика CS).
14. Фаулер М. UML. Основы: краткое руководство по стандартному языку объектного моделирования: пер. с англ. – 3-е изд. – СПб.: Символ, 2009. – 192 с.
15. Вендров А.М. Проектирование программного обеспечения экономических информационных систем. – М.: Финансы и статистика, 2006. – 544 с.
