Mgr. Martin Jureček, Ph.D.

Závěrečné práce

Bakalářské práce

Těžké matematické problémy v kryptografii

Autor
Marek Holík
Rok
2022
Typ
Bakalářská práce
Vedoucí
Mgr. Martin Jureček, Ph.D.
Oponenti
RNDr. Jiřina Scholtzová, Ph.D.
Anotace
Práce představuje šifry a protokoly založené na problému faktorizace čísel, problému kvadratických residuí a problému disktrétního logarithmu. Náhodné instance matematických problémů jsou generovány na základě popsaných protokolů a šifer pro porovnání Magma, SageMath a MATLAB implementací. Efektivita je vyhodnocena základě průměrného času potřebného k vyřešení a úspěšnost algoritmu vydat správný výsledek pro instance dané délky. Čas na vyřešení jedné instance je omezen na jednu hodinu.

Interpretovatelnost výsledků detekce malware založených na strojovém učení pomocí sady pravidel

Autor
Jan Dolejš
Rok
2021
Typ
Bakalářská práce
Vedoucí
Mgr. Martin Jureček, Ph.D.
Oponenti
prof. Ing. Róbert Lórencz, CSc.
Anotace
Metody strojového učení se prokázaly jako užitečný nástroj v řadě aplikací. Antivirové společnosti našly jejich využití i pro rychlou a spolehlivou detekci malwaru, poskytující jejich uživatelům bezpečnější prostředí před každodenními hrozbami. Metody strojového učení, jako jsou například hluboké neuronové sítě, jsou však často považovány za black boxy, jelikož důvody jejich rozhodnutí mohou být často nejasné. Jejich intepretovatelnost je důležitá a pomáhá pochopit potenciálně chybná rozhodnutí. Tato práce se zabývá algoritmy pro tvorbu pravidel a zkoumá jejich potenciál v rámci interpretace výsledků metod strojového učení. V práci bylo využito dvou veřejně dostupných datasetů, obsahujících atributy PE souborů, a na míru navržených implementací algoritmů pro tvorbu pravidel. Výsledky ukázaly, že algoritmus RIPPER je v tomto úkolu převážně úspěšný; vysokou přesnost vykazoval i při zachování kompaktních sad pravidel, což dělá z algoritmů pro tvorbu pravidel užitečnou alternativu metody založené na signaturách.

Kryptoanalýza RSA založená na faktorizaci

Autor
Petr Horák
Rok
2020
Typ
Bakalářská práce
Vedoucí
Mgr. Martin Jureček
Oponenti
prof. Ing. Róbert Lórencz, CSc.
Anotace
Tato bakalářská práce se zabývá kryptoanalýzou RSA založenou na faktorizaci celých čísel. Rozebrané jsou vybrané faktorizační metody - důraz je kladen zejména na popis jejich časové náročnosti a porovnání z hlediska použitelnosti v reálných podmínkách. Kromě toho se práce věnuje i problémům s bezpečností RSA, které mohou vzniknout při neopatrném využívání této kryptografické metody. Vybrané metody jsou implementované za použití Magmy pro testování reálných výpočetních rychlostí na vzorových datech.

Statická detekce malware využívající rekurentní neuronové sítě

Autor
Matouš Kozák
Rok
2020
Typ
Bakalářská práce
Vedoucí
Mgr. Martin Jureček
Oponenti
prof. Ing. Róbert Lórencz, CSc.
Anotace
Neustále rostoucí počty útoků škodlivých programů na naši IT infrastrukturu si žádají nové a lepší metody ochrany. V této bakalářské práci se věnujeme využití rekurentních neuronových sítí pro rychlou a přesnou detekci malwaru. Pro reprezentaci podezřelých programů jsme využili pouze data extrahovaná ze souborů v PE formátu. Tato data jsme dále použili pro trénink různých druhů rekurentních neuronových sítí. V práci představujeme speciální architekturu neuronové sítě, kombinující husté a LSTM vrstvy, ke klasifikaci PE souborů. Pracovali jsme s naším vlastním datasetem obsahující 30154 souborů stažených z dostupných zdrojů. S tímto datasetem, který je rovnoměrně rozdělen mezi čisté a škodlivé soubory, jsme dosáhli přesnosti 98,41 % s pouze 0,5 % legitimních programů mylně klasifikovaných jako malware. K těmto výsledkům nám stačilo pouhých 250 iterací přes treninkový soubor vzorků k naučení naší sítě. Výsledky dokazují, že algoritmy strojového učení, hlavně LSTM sítě, mohou být využity jako rychlý a spolehlivý nástroj pro detekci škodlivých souborů.

Statická detekce škodlivých souborů ve formátu PE

Autor
Jakub Ács
Rok
2018
Typ
Bakalářská práce
Vedoucí
Mgr. Martin Jureček
Oponenti
prof. Ing. Róbert Lórencz, CSc.
Anotace
Doposud známé a užívané postupy při detekci škodlivého softwaru (malwaru) přestávají poskytovat dostačující úroveň ochrany, a proto je zřejmé, že v budoucnu budou muset být nahrazeny, nebo minimálně doplněny inovativními metodami. Tato práce se zaměřuje na využití metod a algoritmů strojového učení pro detekci malwaru. Použitím statických příznaků extrahovaných ze souborů ve formátu PE, jimiž jsou například importované funkce, se nám podařilo natrénovat více modelů pro detekci škodlivých souborů. Nejlepší z modelů dosáhl téměř 95\\% úspěšnosti. Tento model může být použit, mimo jiné, na předběžnou eliminaci, následovanou klasickými postupy detekcí. Další využití může tato práce nalézt ve výzkumu, kde poslouží jako další z možných vstupů pro probíhající výzkum v oblasti automatické detekce malwaru.

Útok na šifru A5/1 v reálném čase

Autor
Tomáš Hradský
Rok
2015
Typ
Bakalářská práce
Vedoucí
Mgr. Martin Jureček
Oponenti
doc. Ing. Ivan Šimeček, Ph.D.
Anotace
Tato bakalářská práce se zabývá rozborem šifry A5/1 a způsoby, kterými využít její slabiny. A5/1 je proudová šifra používaná pro zabezpečení mobilní telekomunikace. Největší pozornost je věnována time-memory tradeoff útokům, které vyžadují rozsáhlou přípravnou fázi, ovšem umožňují prolomení šifry v řádu sekund. Výsledkem implementační části je odkrytí tajného klíče šifry ze získaných dat.

Korelační útok na šifru A5/1

Autor
Martin Holec
Rok
2015
Typ
Bakalářská práce
Vedoucí
Mgr. Martin Jureček
Oponenti
doc. Ing. Ivan Šimeček, Ph.D.
Anotace
Popis šifry A5/1, základních kryptografických útoků a rozbor útoku korelační metodou. Tato práce bude prospěšná každému, kdo se bude zajímat o proudové šifry, základní myšlenky kryptografických útoků a speciálně myšlenku útoku korelační metodou aplikovanou na šifru A5/1.

Diplomové práce

Algebraická kryptoanalýza zmenšených verzí šifry AES

Autor
Marek Bielik
Rok
2021
Typ
Diplomová práce
Vedoucí
Mgr. Martin Jureček, Ph.D.
Oponenti
prof. Ing. Róbert Lórencz, CSc.
Anotace
Tato práce navrhuje a demonstruje nové postupy v algebraické kryptoanalýze zmenšených verzí šifry s názvem Advanced Encryption Standard (AES). Tuto šifru modelujeme jako systém polynomiálních rovnic nad GF(2), který zahrnuje pouze proměnné počátečního klíče, a následně se pokoušíme takový systém vyřešit. Ukážeme například, že jeden z útoků může na současném CPU obnovit tajný klíč pro jedno kolo AES-128 za méně než jednu minutu. Tento útok vyžaduje pouze dva známé otevřené texty a jejich odpovídající šifrové texty.

Simulace detekčního modelu škodlivého kódu

Autor
Libor Šlechta
Rok
2020
Typ
Diplomová práce
Vedoucí
Mgr. Martin Jureček
Oponenti
prof. Ing. Róbert Lórencz, CSc.
Anotace
Množství škodlivých programů neustále stoupá a útočníci stále přicházejí s novými technikami, kterými se snaží oklamat používané detekční metody. Tato práce se zabývá automatickou detekcí škodlivého kódu pomocí algoritmů strojového učení. Hlavním rozdílem oproti podobným pracím z tohoto oboru je provedený pokus, který se zaměřuje na napodobení naučeného klasifikátoru. K napodobování klasifikátoru byly vybrány čtyři algoritmy strojového učení. Neuronové sítě, K-nejbližších sousedů, Rozhodovací stromy a Naivní Bayesův klasifikátor. Napodobovaný model se podařilo napodobit nejlépe pomocí varianty neuronových sítí. Výsledná vícevrstvá perceptronová síť dosáhla přesnosti 98,68 %.

Semi-supervised learning pro detekci malware

Autor
Michal Buchovecký
Rok
2019
Typ
Diplomová práce
Vedoucí
Mgr. Martin Jureček
Oponenti
prof. Ing. Róbert Lórencz, CSc.
Anotace
Využívanie strojového učenia v oblasti detekcie malwaru nie je v súčasnosti až tak veľmi populárne. Jedným z dôvodov je aj skutočnosť, že označovanie malwaru a legitímnych súborov, čo je pre strojové učenie nevyhnutné, je veľmi drahý proces. Táto práca sa zaoberá detekciou malwaru pomocou semi-supervised learningu. Tento typ učenia je jednou z kategórií strojového učenia, kedy k trénovaniu modelu využívame ako označené, tak aj neoznačené vzorky. K trénovaniu sme využívali informácie získane zo súborov v PE formáte. V tejto práci je ukázané, že využitím semi-supervised learningu je možné dosiahnuť lepšiu presnosť, než použitím len samotného supervised learningu.