Mgr. Martin Jureček

Závěrečné práce

Bakalářské práce

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

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.