Mining usage of cryptographic primitives from executables – Bc. Tomáš Šlancar
Bc. Tomáš Šlancar
Master's thesis
Mining usage of cryptographic primitives from executables
Mining usage of cryptographic primitives from executables
Anotácia:
Magisterská práce “Mining usage of cryptographic primitives from executables” se pokouší identifikovat kryptografická primitiva uvnitř binárních souborů za pomoci umělé inteligence. Práce se zabývá možností zapojit umělou inteligineci do statické analýzy tak, aby jejím výstupem byl seznam kryptografických primitiv obsažených v binárním souboru. Práce se i zaměřuje na výběr vhodného modelu a reprezentaci …viacAbstract:
The Master's thesis "Mining usage of cryptographic primitives from executables" aims to identify cryptographic primitives within binary files using artificial intelligence. The thesis explores the possibility of incorporating artificial intelligence into static analysis to output a list of cryptographic primitives with a binary file. The thesis also focuses on selecting a suitable model and data representation …viac
Jazyk práce: English
Datum vytvoření / odevzdání či podání práce: 16. 5. 2023
Identifikátor:
https://is.muni.cz/th/htqcd/
Obhajoba závěrečné práce
- Obhajoba proběhla 20. 6. 2023
- Vedúci: RNDr. Adam Janovský
- Oponent: PhD Lukasz Michal Chmielewski
Plný text práce
Obsah online archivu závěrečné práce
Zveřejněno v Theses:- světu
Jak jinak získat přístup k textu
Instituce archivující a zpřístupňující práci: Masarykova univerzita, Fakulta informatikyMasaryk University
Faculty of InformaticsMaster programme / odbor:
Computer systems, communication and security / Information security
Práce na příbuzné téma
-
Evaluating Reliability of Static Analysis Results Using Machine Learning
Tomáš Beránek -
Detection of Android Malware Using Machine Learning
Matúš Šikyňa -
Detection of IoT Cyberattacks in Smart Cities using Deep Neural Networks
Zeru Kifle Kebede -
Folk Dance Step Analysis and Classification in Virtual Reality
David Zelníček -
Analysis and classification of long terminal repeat (LTR) sequences using machine learning approaches
Jakub Horváth