Details

Целью работы является повышение точности восстановления последовательности фрагментов удалённых данных посредством их ранжирования с помощью машинного обучения. Объектом исследования является файловая система NTFS. Задачи, решаемые в ходе исследования: 1. Анализ подходов к восстановлению фрагментированных данных. 2. Исследование особенностей процесса фрагментации в файловой системе NTFS. 3. Разработка метода восстановления последовательности фрагментов с помощью машинного обучения. 4. Разработка программного макета, реализующего предложенный метод. 5. Экспериментальная оценка точности восстановления фрагментированных данных с использованием программного макета. В ходе работы были исследованы особенности реализации файловой системы NTFS в Windows 10. Были проанализированы современные исследования в области восстановления данных. В результате работы был разработан метод дефрагментации удалённых файлов, была продемонстрирована эффективность метода. Был сделан вывод, что анализ состояния файловой системы позволяет повысить точность восстановления данных. Полученные результаты могут быть использованы в качестве основы для проектирования систем восстановления фрагментированных данных. Для достижения данных результатов была разработана программа, использующая технологии машинного обучения, реализованные в библиотеке PyTorch.

The purpose of the study is to enhance the accuracy of reconstructing the sequence of deleted data fragments by ranking them using machine learning. The object of the work is NTFS filesystem. The research set the following goals: 1. Analysis of approaches to fragmented data recovery. 2. Investigation of the characteristics of the fragmentation process in the NTFS file system. 3. Development of a method for recovering fragment sequences using machine learning. 4. Development of a software prototype implementing the proposed method. 5. Experimental evaluation of the accuracy of fragmented data recovery using the software prototype. During the work specific features of the NTFS file system implementation in Windows 10 were investigated. Contemporary research in the field of data recovery was analyzed. As a result of this work, a method for defragmenting deleted files was developed, and its effectiveness was demonstrated. It was concluded that analyzing the state of the file system enhances the accuracy of data recovery. The obtained results can serve as a foundation for designing systems for the recovery of fragmented data. To achieve these results, a program was developed utilizing machine learning technologies implemented in the PyTorch library.