Details

Тема выпускной квалификационной работы: «Метод определения схожести программных кодов на базе графовой нейронной сети». Цель настоящей дипломной работы – это противодействие повторной эксплуатации уязвимостей, содержащихся в дублированных фрагментов программного кода Для достижения поставленной цели необходимо решить следующие задачи: - выполнить классификацию типов дублированных фрагментов программного кода; - проанализировать методы выявления дублированных фрагментов программного кода; - разработать метод обнаружения дублированных фрагментов восстановленного программного кода бинарных исполняемых файлов; - выполнить тестирование предложенного метода и его сравнительный анализ с существующими решениями. В ходе работы были исследованы основные подходы по нахождению клонов кода. Был разработан собственный метод оценки схожести фрагментов восстановленных программных кодов, обеспечивающий выявление всех типов клонов, с применением графовых нейронных сетей. Результаты, полученные в ходе тестирования на ПО с открытым и закрытым исходным кодом, демонстрирую корректность работы предложенного метода и более высокую точность в сравнении с существующими решениями.

Topic of the final qualifying work: “Method for determining the similarity of program codes based on a graph neural network.” The purpose of this thesis is to counter the re-exploitation of vulnerabilities contained in duplicate fragments of program code To achieve this goal, it is necessary to solve the following tasks: - perform a classification of types of duplicate program code fragments; - analyze methods for identifying duplicate program code fragments; - develop a method for detecting duplicate fragments of recovered program code of binary executable files; - perform testing of the proposed method and its comparative analysis with existing solutions. During the work, the main approaches to finding code clones were investigated. We developed our own method for assessing the similarity of fragments of recovered program codes, which ensures the identification of all types of clones, using graph neural networks. The results obtained during testing on open and closed source software demonstrate the correct operation of the proposed method and higher accuracy in comparison with existing solutions.