Генетический реверс-инжиниринг для нейтрализации уязвимостей программного обеспечения тема диссертации и автореферата по ВАК РФ 00.00.00, доктор наук Израилов Константин Евгеньевич

• Израилов Константин Евгеньевич
• доктор наук
• 2026

Оглавление диссертации доктор наук Израилов Константин Евгеньевич

ОГЛАВЛЕНИЕ

ВВЕДЕНИЕ

1 ИССЛЕДОВАНИЕ ПРОБЛЕМАТИКИ НЕЙТРАЛИЗАЦИИ УЯЗВИМОСТЕЙ В ПРОГРАММНОМ ОБЕСПЕЧЕНИИ

1.1 Актуальность обеспечения информационной безопасности программных систем

1.2 Основное противоречие предметной области

1.3 Эффективность нейтрализации уязвимостей в программе

1.4 Интеллектуализация анализа программных систем

1.5 Постановка задачи исследования

Выводы по главе

2 СИСТЕМАТИЗАЦИЯ МЕТОДОВ И СРЕДСТВ РЕВЕРС-ИНЖИНИРИНГА ПРОГРАММНЫХ СИСТЕМ

2.1 Онтологическая модель области реверс-инжиниринга

2.2 Этапы методологии реверс-инжиниринга

2.3 Систематизация элементов методологии реверс-инжиниринга

2.4 Идентификация архитектуры процессора машинного кода

2.5 Визуализация межпрограммного взаимодействия

Выводы по главе

3 АНАЛИЗ И МОДЕЛИРОВАНИЕ МЕХАНИЗМОВ ПРЕОБРАЗОВАНИЯ ПРОГРАММ

3.1 Модель жизненного цикла программы с разноуровневыми уязвимостями

3.2 Свойства уязвимостей программы

3.3 Представления программы

3.4 Аналитическая запись модели жизненного цикла

3.5 Ретроспективно-фактологический эксперимент

3.6 Механизм взаимодействия уязвимостей программы

3.7 Эволюция уязвимостей в программе

Выводы по главе

4 СИНТЕЗ ПОДХОДА ГЕНЕТИЧЕСКОЙ ДЕЭВОЛЮЦИИ ПРОГРАММ

4.1 Основные подходы к декомпиляции машинного кода

4.2 Подход к декомпиляция путем «синтаксически-корректного» перебора

4.3 Подход генетической деэволюции программы

4.4 Комплекс методов генетической деэволюции представлений программы

4.5 Обоснование работоспособность генетической деэволюции

4.6 Формирование состава инструментов для генетической декомпиляции

Выводы по главе

5 СОЗДАНИЕ ИНСТРУМЕНТАРИЯ ДЛЯ ПРОВЕДЕНИЯ ГЕНЕТИЧЕСКОЙ ДЕКОМПИЛЯЦИИ ПРОГРАММ

5.1 Схема программного инструментария генетической декомпиляции программы

5.2 Метод декомпиляции машинного кода на базе модифицированного генетического алгоритма

5.3 Генетическая модель исходного кода

5.4 Алгоритмы поддержки модели исходного кода

5.5 Алгоритм генерации исходного кода

5.6 Алгоритм прогнозирования размера исходного кода по его ассемблерному коду

5.7 Алгоритм предсказания константных значений в исходном коде

5.8 Метрика близости двух экземпляров ассемблерного кода

5.9 Функциональные требования к системе генетического реверс-инжиниринга

Выводы по главе

6 РАЗРАБОТКА СИСТЕМЫ ГЕНЕТИЧЕСКОГО РЕВЕРС-ИНЖИНИРИНГА ПРОГРАММ

6.1 Архитектура системы генетического реверс-инжиниринга программ

6.2 Архитектура компонента генетической деэволюции программы

6.3 Обоснование работоспособности прототипа генетического декомпилятора машинного кода

6.4 Сигнатурно-генетический поиск уязвимостей в представлении программы

6.5 Методика применения системы генетического реверс-инжиниринга

Выводы по главе

7 ОЦЕНКА РАБОТОСПОСОБНОСТИ И ЭФФЕКТИВНОСТИ ГЕНЕТИЧЕСКОГО РЕВЕРС-ИНЖИНИРИНГА ПРОГРАММ

7.1 Эксперименты по сигнатурно-генетическому поиску уязвимостей

7.2 Эксперименты по применению прототипа

7.3 Определение границ применимости аналогов

7.4 Сравнение факторов результативности для подхода ГДЭ и декомпилятора Hex-Rays

7.5 Оценка эффективности нейтрализации уязвимостей

7.6 Рекомендации по развитию генетического реверс-инжиниринга программы

Выводы по главе

ЗАКЛЮЧЕНИЕ

СПИСОК СОКРАЩЕНИЙ И УСЛОВНЫХ ОБОЗНАЧЕНИЙ

СПИСОК ЛИТЕРАТУРЫ

ПРИЛОЖЕНИЕ А. 1. Синтаксис в форме Бэкуса - Наура для простых математических

выражений (пример)

ПРИЛОЖЕНИЕ А.2. Алгоритм генератора множества исходных кодов согласно графу

синтаксических правил

ПРИЛОЖЕНИЕ А.3. Отладочный вывод работы генератора множества исходных кодов с

графом синтаксических правил (режим отладки)

ПРИЛОЖЕНИЕ А.4. Отладочный вывод работы генератора множества исходных кодов (режим

полного перебора)

ПРИЛОЖЕНИЕ А.5. Синтаксис в форме Бэкуса - Наура для вложенных математических

выражений (пример)

ПРИЛОЖЕНИЕ А.6. Ассемблерный код для простого математического

выражения (пример)

ПРИЛОЖЕНИЕ А.7. Отладочный вывод работы генератора множества исходных кодов (режим

реверс-инжиниринга)

ПРИЛОЖЕНИЕ А.8. Алгоритм главной функции прототипа подбора символов исходного кода с

помощью генетических алгоритмов

ПРИЛОЖЕНИЕ А.9. Алгоритма функции приспосабливаемости в прототипе подбора символов

исходного кода с помощью генетических алгоритмов

ПРИЛОЖЕНИЕ А.10. Алгоритма функции частной приспосабливаемости в прототипе подбора

символов исходного кода с помощью генетических алгоритмов

ПРИЛОЖЕНИЕ А.11. Отладочный вывод работы прототипа подбора символов исходного кода с

помощью генетических алгоритмов

ПРИЛОЖЕНИЕ А.12 Отладочный вывод многократного запуска прототипа подбора символов

исходного кода с помощью генетических алгоритмов

ПРИЛОЖЕНИЕ А.13. Синтаксис в форме Бэкуса - Наура для математических выражений с

вызовом функции (пример)

ПРИЛОЖЕНИЕ А.14. Синтаксис в форме Бэкуса - Наура для шаблона «Приравнивание

переменной другой переменной»

ПРИЛОЖЕНИЕ А.15. Синтаксис в форме Бэкуса - Наура для шаблона «Приравнивание

переменной бинарного выражения»

ПРИЛОЖЕНИЕ А.16. Синтаксис в форме Бэкуса - Наура для шаблона «Приравнивание

переменной другой переменной или вложенных выражений»

ПРИЛОЖЕНИЕ А.17. Синтаксис в форме Бэкуса - Наура для шаблона «Приравнивание

переменной вложенных функций с одним аргументом»

ПРИЛОЖЕНИЕ А.18. Синтаксис в форме Бэкуса - Наура для шаблона «Приравнивание переменной другой переменной, вложенных бинарных выражений и функций с одним

аргументом»

ПРИЛОЖЕНИЕ А.19. Отладочный вывод работы прототипа определения статистической

закономерности между размерами исходного и машинного кода

ПРИЛОЖЕНИЕ А.20. Алгоритм прототипа предсказания константных значений в

исходном коде

ПРИЛОЖЕНИЕ А.21. Отладочный вывод работы прототипа предсказания константных

значений в исходном коде

ПРИЛОЖЕНИЕ А.22. Синтаксис в форме Бэкуса - Наура для программы из

последовательности вычисления бинарных операций (пример)

ПРИЛОЖЕНИЕ А.23. Алгоритм поиска уязвимостей по хромосоме исходного кода сигнатурно-

генетическим способом

ПРИЛОЖЕНИЕ А.24. Отладочный вывод работы прототипа генетической

декомпиляции кода

ПРИЛОЖЕНИЕ Б. Акты внедрения, реализации и использования

ПРИЛОЖЕНИЕ В. Список работ, опубликованных по теме диссертации (расширенный)

Введение диссертации (часть автореферата) на тему «Генетический реверс-инжиниринг для нейтрализации уязвимостей программного обеспечения»

ВВЕДЕНИЕ

Актуальность темы исследования. Современные информационные технологии практически полностью основаны на функционировании программных систем, представляющих собой комплекс разнородных и сложно-взаимодействующих программ, объединенных для решения определенного набора задач. Безопасность таких систем, в том числе, определяется отсутствием уязвимостей в их программном обеспечении (далее - ПО), что считается актуальной проблематикой сферы информационной безопасности (далее - ИБ).

Одним из основных подходов, предназначенных для противодействия уязвимостям ПО, является их нейтрализация в коде программ, под которой в работе понимается как обнаружение уязвимостей, так и их последующее устранение с получением безопасной версии программы. Востребованность именно в таком подходе, а, например, не в применении технологии разработки безопасного ПО, обусловлена тем, что внедрение уязвимостей в программу может производиться намеренно (в том числе, модификацией готового продукта). Необходимость же устранения уязвимостей после обнаружения обосновывается тем, что сам по себе факт их наличия в ПО не повысит общую безопасность, а лишь ограничит применимость программной системы в критических областях. Задача усложняется тем, что на каждом этапе своего создания программа оказывается в различных представлениях, под которыми в работе понимается ее описание с использованием собственных конструкций и определенного уровня абстракции - от высокоуровневой идеи, концептуальной модели и архитектуры, через алгоритмы, исходный код (далее - ИсхКод) и промежуточное дерево абстрактного синтаксиса (типичное внутреннее отображение программы в компиляторах) до низкоуровневого ассемблерного (далее - АсмКод) и машинного кода (далее - МашКод) или байт-кода; также, возможны и альтернативные представления, такие как структурограмма, сценарный и графический код. Таким образом, уязвимости могут внедряться в любом из этих представлений, а для их поиска, как правило, имеется лишь последнее - то, в котором находится выполняемая программа. Например, после внедрения неверной логики работы в алгоритм, он будет закодирован в ИсхКоде, компилируемом в АсмКод и/или МашКод готового программного продукта, который, как правило, и подвергается анализу.

Тем не менее, с данным подходом связано следующее основное противоречие предметной области, выражаемое в форме «возможность га потребность».

С одной стороны, обнаружение и устранение уязвимостей целесообразно производить во всем наборе подходящих для этого представлений конечной программы. Данная потребность обосновывается следующим образом. Во-первых, так как внедряемая в некотором представлении

уязвимость построена на его синтаксическом базисе (например, конструкциях языка программирования) и локализована в одной его области (например, состоит из последовательности конструкций), то отображение (и, следовательно, обнаружение) уязвимости в программе будет наиболее релевантным (т. е. точным) в этом же представлении. Так, перестановка аргументов функции ИсхКода отражается, как неверный порядок передачи значений, хотя в АсмКоде этому может соответствовать целая группа инструкций процессора, расположенных по разным адресам, что существенно усложнит поиск. Во-вторых, поскольку после обнаружения уязвимости требуется пересборка безопасной программы, то устранять ее необходимо в том представлении, которое соответствует изначальному и может быть преобразовано в него. В случае несоответствия программы в конечном и используемом для обнаружения представлениях, такое исправление приведет к получению ПО с иной функциональностью. Так, если обнаружить уязвимость в псевдо-ИсхКоде, который предназначен лишь для приблизительного представления логики работы программы, то после внесения исправлений его даже нельзя будет скомпилировать в реальный АсмКод или МашКод.

С другой стороны, существующие походы позволяют восстанавливать из конечной программы лишь отдельные представления, которые при этом не всегда подходят для устранения уязвимостей. Данная возможность (как существующее состояние области) подтверждается следующим образом. Во-первых, большинство современных статических анализаторов кода на предмет уязвимостей принимают на вход программу в определенном представлении (как правило, это МашКод, АсмКод или ИсхКод), а затем, используя сигнатуры и другие техники, обнаруживают уязвимости в базисе имеющегося представления. Это позволяет устранить только те уязвимости, которые были встроены именно в данное представление или частично в ближайшие (например, ошибка переполнения буфера в ИсхКоде по косвенным признакам будет иметь отражение и в МашКоде, что даст возможность ее исправить уже в выполняемой программе). И, во-вторых, существующие методы и средства получения предыдущих представлений программы не гарантируют полное соответствие ее функциональности исследуемой. Так, например, используемые для этой задачи утилиты, называемые декомпиляторами, как правило, преобразуют МашКод в «читаемый» псевдо-ИсхКод на С-подобном языке, что автоматически говорит о его негарантированной компилируемости после исправления в выполняемый. Применение же ручного труда гипотетически позволит «подобрать» ИсхКод по любому МашКоду - т. е. решить задачу с максимальной результативностью, но временные затраты и отсутствие достаточного количества редких высококвалифицированных специалистов делает ее выполнение лишь теоретически возможным.

Усилением указанного основного противоречия является то, что при большом количестве существующих нотаций представлений, используемых при разработке программ (даже на одном

этапе программного инжиниринга), современные средства обнаружения (и, соответственно, устранения) уязвимостей оперируют лишь их ограниченным составом. Так, например, декомпиляторы, в основном, преобразуют МашКод для наборов инструкций Intel и AMD (в отдельных решениях поддерживая несколько дополнительных процессоров) в С-подобный язык программирования. Однако общее количество процессорных архитектур существенно больше -около 20 активно используемых и более 50 всех существующих; количество же среднеуровневых языков программирования приближено к 10 (C, C++, Pascal, Rust и др.). При этом, восстановление программы в ИсхКод на различных модификациях языка программирования C (или даже других языков, адаптированных именно для отражения уязвимостей) может оказаться существенно более подходящим для экспертного и автоматического анализа.

Основное научное противоречие было декомпозировано на 3 частных. Во-первых, обнаруживать уязвимости необходимо в тех представлениях программы, в которых они могут возникать; несмотря на это, существующие подходы из конечного представления программы позволяют восстановить лишь некоторые низко- и среднеуровневые представления. Во-вторых, устранять уязвимости необходимо в таком представлении программы, которое соответствует этой программе в конечном представлении; однако, часть представлений программы, восстанавливаемых существующими подходами, не гарантированно соответствуют конечному (и, следовательно, не может быть в него преобразовано). И, в-третьих, необходимо обеспечивать преобразования всего пула актуальных нотаций каждого представления; тем не менее, поддерживаемые нотации представлений полностью определяются конкретными частными решениями, созданными в рамках используемых подходов. С каждым из частных противоречий связаны следующие факторы, напрямую влияющие на результативность процесса восстановления представлений программы в интересах нейтрализации уязвимостей: релевантность представлений - степень возможности получения всех представлений программы, в которых могли возникнуть уязвимости; функциональная тождественность - степень соответствия функциональности программы в восстановленном представлении такому же в конечном представлении; нотационная инвариантность - степень независимости преобразования представлений к их нотациям.

Главное негативное последствие от наличия противоречия заключается в низкой эффективности нейтрализации уязвимостей из-за использования неподходящих для этого представлений программ и поддержки ограниченного количества их нотаций.

Таким образом, гипотетически, разрешение основного противоречия может быть получено с помощью преобразования текущего представления программы в тождественные ему предыдущие, в каждом из которых и производится нейтрализация уязвимостей - т. е. применением нового подхода к реверс-инжинирингу (сокр. реинжиниринг или обратное

проектирование) программы, поскольку существующие указанным условиям не соответствуют. В качестве основных предпосылок к новому подходу были выбраны следующие. Согласно современным трендам и достижениям в отрасли информационных технологий, искусственный интеллект (далее - ИИ) показал свою успешность в различных сферах, исключением из которых не стала и ИБ. При этом к задачам, решаемым с помощью ИИ, относится класс оптимизационных, направленных в том числе на нахождение максимума (минимума) целевой функции путем умного «подбора» ее параметров. Исходя из того, что наиболее результативным (но обладающим сверхнизкой оперативностью и ресурсоэкономностью) способом восстановления представлений программы является экспертный, предлагаемый подход может базироваться на близких принципах. Так, например, поскольку эксперт в процессе декомпиляции пытается (интуитивно, на опыте, согласно правилам и пр.) подобрать конструкции ИсхКода, совокупность которых бы все более походила на те, которые компилируются в целевой МашКод, то аналогичным образом может действовать и предлагаемый подход - итеративно подбирать конструкции предыдущего представления, приближая тем самым код программы к той, которая задана изначально в текущем представлении. Исходя из указанных предпосылок, выдвинута основная гипотеза исследования касательно принципиально нового подхода к разрешению противоречия предметной области и качественного повышения результативности нейтрализации уязвимостей - процесс реверс-инжиниринга программы может быть рассмотрен, как решение оптимизационной задачи, целевой функцией которой является близость двух программ в заданном представлении, а параметрами - конструкции этих программ в предыдущем представлении. С позиции ИИ и экспертного преобразования наиболее близкими к решению задачи являются генетические алгоритмы, которые легли в основу предлагаемого подхода. Выбор данного способа решения обосновывается тем, что точные алгоритмы не применимы из-за КР-полноты задачи по причине огромного количества вариаций конструирования кода, а среди эвристических алгоритмов выделяются именно генетические, поскольку они устойчивы к шумам, комбинируют фрагменты кода разной природы и исследуют его альтернативные шаблоны, учитывают семантические связи, масштабируют процесс за счет распараллеливания и др. При этом, с точки зрения итоговой эффективности нейтрализации, оперативность и ресурсоэкономность должны быть допустимыми - т. е. в приемлемых временных и ресурсных границах по сравнению с ручным реверс-инжинирингом.

В рамках предлагаемого подхода введена следующая терминология (используемая во всем диссертационном исследовании). Поскольку получение каждого следующего представления программы из текущего представляет собой ее эволюцию (как развитие программы от субъективной человеко-ориентированной формы к объективной машинно-ориентированной) в процессе разработки, то обратный процесс логично назван деэволюцией представлений, а его

осуществление с помощью генетических алгоритмов - генетической деэволюцией (далее - ГДЭ). Частный и наиболее актуальный на сегодняшний день сценарий ГДЭ для получения ИсхКода программы по ее МашКоду или практически тождественному АсмКоду получил название генетической декомпиляции (далее - ГДК). Весь же процесс последовательного применения ГДЭ парных представлений от заданного низкоуровневого к высокоуровневому был назван генетическим реверс-инжинирингом (далее - ГРИ).

Исходя из текущего состояния предметной области были определены следующие этапы проведения исследования в интересах обеспечения безопасности программных систем с получением соответствующих научных результатов. Во-первых, требуется создание единой методологии анализа программных систем с выделением выполняемого кода программы и иных ее представлений - т. е. осуществление реверс-инжиниринга. Во-вторых, поскольку получение высокоуровневых представлений программы из низкоуровневых, как правило, является наиболее сложной задачей, то требуется создание модели, взаимоувязывающей эти представления с отражением в них уязвимости. В-третьих, для «повышающих» преобразований между представлениями требуется создание основ концептуально нового (т. е. инновационного) подхода, поскольку существующие не обладают нужной эффективностью. Методы, реализующие данный подход, должны строиться на решении оптимизационной задачи с помощью ИИ в части генетических алгоритмов. В-четвертых, возможность практической реализации концептуального решения требует создания соответствующего работоспособного программного инструментария, предназначенного, в частности, для решения актуальной задачи декомпиляции. В-пятых, для проведения полного цикла реверс-инжиниринга всех представлений программы необходима соответствующая целостная система, включающая в себя как существующие, так и новые способы поиска уязвимостей. Кроме того, для обоснования достоверности всех результатов целесообразно создание базового прототипа ГДК, предназначенного для получения ИсхКода по АсмКоду или МашКоду, что может быть расширено на ГДЭ любых других представлений.

Степень разработанности темы. Основополагающие направления предметной области, релевантные к выявленной проблеме и путям ее разрешения, были рассмотрены следующими российскими учеными:

- анализ кода программ, включая их реверс-инжиниринг, трансформацию, верификацию и оценку качества, подробно исследовался сотрудниками ИСП РАН Иванниковым В.П., Аветисяном А.И., Падаряном В.А., Черновым А.В., а также, Галатенко В.А., Хомоненко А.Д. и др.;

- противодействием современным киберугрозам, включая получение безопасного ПО, занимаются Аникин И.В., Зегжда Д.П., Котенко И.В., Мещеряков Р.В., Саенко И.Б., Шелупанов

A.А., Язов Ю.К. и др.;

- системный анализ, моделирование и синтез программных и информационных комплексов, организация взаимодействия их программ, развивался Буйневичем М.В., Геловани В.А., Карповым А.А., Косяковым С.В., Малышевым В.В., Соколовым Б.В. и др.;

- применению ИИ для решения оптимизационных задач, а также созданию интеллектуальных программных платформ, в том числе и в сфере ИБ, посвящены труды Головко

B.А., Комарцовой Л.Г., Ложникова П.С., Микони С.В., Осипова В.Ю., Охтилева М.Ю., Рыбиной Г.В., Сулавко А.Е., Шелухина О.И. и др.

Однако реверс-инжиниринг программных систем на базе генетических алгоритмов в интересах последующего обнаружения и устранения уязвимостей практически не был затронут ни в одном из исследований по приведенным направлениям. Причина этого, скорее всего, заключается в междисциплинарности работы - из-за рассмотрения процесса реверс-инжиниринга программы с уязвимостями в интересах нейтрализации последних (аспект ИБ) с позиции построения системы трансформации совокупности базисных элементов каждого из представлений (аспект математического и программного обеспечения вычислительных систем) в процессе решения оптимизационной задачи с применением ИИ (аспект системного анализа). Данная специфика исследования подчеркивает его новизну и актуальность.

Тем не менее, существуют отдельные исследования и решения, связанные с различными подходами к реверс-инжинирингу. Применение отладки программы для ручного восстановления ее ИсхКода и алгоритмов описано в уже ставших классическими книгах Склярова Д.В. «Искусство защиты и взлома информации» и К. Касперски «Техника отладки программ без исходных текстов». Алгоритмический подход, использующий заложенные экспертом правила преобразования МашКода в ИсхКод, детально раскрыт в кандидатских диссертациях Трошиной Е.Н. «Исследование и разработка методов декомпиляции программ» и Михайлова А.А. «Методы декомпиляции объектного кода Delphi». Активным применением ИИ для реверс-инжиниринга программ занимаются зарубежные ученые, а именно, следующие. Обзор решений по анализу бинарного кода на базе глубокого машинного обучения описан в диссертации Artuso F. «Deep Learning Based Binary Code Analysis». Теория и практика использования больших и малых языковых моделей для декомпиляции МашКода публиковалась учеными Tan H., Luo Q., Li J., Zhang Y. в «LLM4Decompile: Decompiling Binary Code with Large Language Models» и Armengol-Estape J., Woodruff J., Cummins C., O'Boyle M.F. в «SLaDe: A Portable Small Language Model Decompiler for Optimized Assembly». Ряд работ посвящен решению частных задач реверс-

инжиниринга с применением машинного обучения, таких, как именование функций МашКода -Zhang X., Xu Z., Yang S., Li Z., Shi Z., Sun L. в «Enhancing Function Name Prediction using Votes-Based Name Tokenization and Multi-task Learning»; восстановление отладочной информации - He J., Ivanov P., Tsankov P., Raychev V., Vechev M. в «Debin: Predicting Debug Information in Stripped Binaries»; идентификация функций МашКода - Shin E.C.R., Song D., Moazzezi R. в «Recognizing functions in binaries with neural networks». Также в ряде случаев показана успешность применения динамического анализа для частичного восстановления алгоритмов программ - Соловьевым М.А. в кандидатской диссертации «Восстановление алгоритма по набору бинарных трасс», а также для воспроизводства конечных автоматов поддержки сетевых протоколов - Шарковым И.В. в статье «Метод восстановления протокольных автоматов по бинарному коду». Тем не менее, все они лишь частично подходят для разрешения выявленного противоречия, поскольку получаемые таким образом представления программы не покрывают весь «пул» предыдущих с уязвимостями, не гарантированно тождественны конечному и не позволяют выбирать нужные эксперту нотации.

Исходя из вышесказанного, актуальная научная проблема, следующая из выявленного основного противоречия и решаемая в диссертационном исследовании, может быть сформулирована, как несоответствие уровня развития теории и технологий реверс-инжиниринга для нейтрализации уязвимостей программного обеспечения потребностям практики; полученным же в процессе его разрешения научным достижением является подход генетической деэволюции представлений программы в интересах нейтрализации уязвимостей.

Целью работы является повышение эффективности (путем существенного улучшения результативности при неухудшении оперативности и ресурсоэкономности) нейтрализации уязвимостей программы за счет интеллектуализации ее реверс-инжиниринга с помощью генетических алгоритмов.

Для достижения цели исследования в работе были поставлены и решены следующие задачи:

1) сбор и анализ научно-технической информации, касающейся методов и средств анализа программных систем (включая основанные на ИИ) в интересах обнаружения уязвимостей;

2) обобщение и систематизация методов и средств анализа программных систем с выделением отсутствующего инструментария реверс-инжиниринга программ;

3) анализ жизненного цикла программы с позиции ее представлений, отражающих разноуровневые уязвимости, в интересах создания отсутствующего инструментария реверс-инжиниринга;

4) обоснование модели жизненного цикла и прямого процесса эволюции ее уязвимостей;

5) исследование предпосылок к созданию подхода ГДЭ;

6) сведение обратного процесса деэволюции соседних представлений программы к оптимизационной задаче;

7) создание теоретических основ и обоснование подхода к деэволюции представлений программы на базе ИИ в части генетических алгоритмов;

8) синтез инструментария, необходимого для проведения деэволюции МашКода программы в ее ИсхКод с помощью генетических алгоритмов, и его программная реализация;

9) создание и формализация архитектуры каскадной системы ГРИ;

10) разработка программного прототипа компонента архитектуры системы ГРИ для декомпиляции АсмКода в ИсхКод;

11) разработка и программная реализация метода сигнатурного поиска уязвимостей на базе генетического представления программы;

12) оценка эффективности нейтрализации уязвимостей с применением ГРИ и сравнение с аналогами;

13) выработка рекомендаций по развитию реверс-инжиниринга программ на базе генетических алгоритмов.

Объектом исследования является процесс реверс-инжиниринга программы с разноуровневыми уязвимостями.

Предметом исследования является научно-методический аппарат и технологии реверс-инжиниринга программ, содержащих разноуровневые уязвимости.

Научная новизна работы определяется новизной положений, выносимых на защиту, и состоит в следующем:

1) оригинальная методология реверс-инжиниринга программной системы в интересах обнаружения уязвимостей отличается охватом и ориентацией всего спектра существующих (и потенциально необходимых) методов и средств на синтез требуемых представлений программы с последующим их анализом. Методология позволяет проектировать и непосредственно проводить реверс-инжиниринг программных систем, имеющих различную структуру, аппаратное расположение и особенности функционирования, для обнаружения уязвимостей; исходя из сложности каждого метода и формы его выполнения, производится предварительная оценка трудоемкости реверс-инжиниринга;

2) модель жизненного цикла программы с разноуровневыми уязвимостями с позиции эволюции представлений отличается от аналогов высоким уровнем абстракции, наличием единого набора признаков представлений и учетом различных сценариев процесса; на базе элементов модели построена новая классификация уязвимостей согласно их структурному уровню. Модель позволяет составлять «маршрут» деэволюции представлений с отражением в них соответствующих классов уязвимостей и форм их поиска;

3) комплекс методов генетической деэволюции представлений программы отличается от аналогичных методов, непосредственно преобразующих текущее представление в предыдущее (экспертно, алгоритмически или иным контекстно-зависимым способом), тем, что задает противоположную направленность, поскольку выполняет множественные преобразования программы из предыдущего представления в текущее; при этом методы комплекса отличаются инвариантностью к представлениям, поскольку не зависят от их синтаксиса (в т. ч. от процессорных архитектур). Комплекс методов позволяет синтезировать соответствующие реализации средств реверс-инжиниринга программ, применимые не только для классического получения ИсхКода из МашКода или АсмКода (т. е. декомпиляции), но и для других пар соседних представлений;

4) новизна программного инструментария генетической декомпиляции машинного кода определяется входящими в его состав инструментами:

а) метод ГДК представлений программы отличается от аналогичных методов декомпиляции интеллектуальной основой в виде генетических алгоритмов;

б) модель представления ИсхКода отличается от аналогичных (например, древовидных) возможностью записи программы в виде последовательности чисел, определяющих альтернативные ветки по графу синтаксических правил;

в) алгоритмы для работы с моделью ИсхКода и его генерации являются новыми, поскольку функционируют на базе предложенного модельного представления программы, как полного пути по графу синтаксических правил;

г) алгоритмы прогнозирования размера ИсхКода по размеру его АсмКода и предсказания константных значений в ИсхКоде получены впервые;

д) метрика сравнения двух АсмКодов отличается от аналогичных чувствительностью к близости их текстового представления и независимостью от их форматов, а также наличием коэффициентов учета влияния позиций строк и символов.

Входящий в состав инструментария метод необходим для непосредственной реализации решений на базе генетических алгоритмов, осуществляющих получение ИсхКода из МашКода или АсмКода; алгоритмы работы с моделью ИсхКода позволяют осуществлять его «форм-содержательную» модификацию в рамках ГДЭ; алгоритм генерации ИсхКода предназначен для создания синтаксически-корректных экземпляров программы согласно заданным условиям (в т. ч. псевдослучайных заданной длины).

5) архитектура системы генетического реверс-инжиниринга представлений программы с интеллектуальным поиском уязвимостей и программная реализация центрального компонента являются результатом программного проектирования и реализации предложенного авторского комплекса методов ГДЭ программ, а также, необходимого для него инструментария; введен

модуль поиска уязвимостей, использующий новый интеллектуальный способ сигнатурного поиска на базе генетического представления программы; при этом, генетическая сигнатура уязвимости в отличие от существующих контекстно-зависимых аналогов, не зависит от исходного представления программы, а определяется выбранным графом синтаксических правил для текущего. Предложенная архитектура ГРИ представляет собой конвейерную (pipe-line) схему из последовательности унифицированных компонентов ГДЭ, необходимую для построения сценариев восстановления представлений программы; программная реализация архитектурного компонента «МашКод / АсмКод ^ ИсхКод» ориентирована на решение актуальной задачи декомпиляции программ для обнаружения и устранения в них уязвимостей - как автоматически в процессе, так и экспертно по ИсхКоду; кроме того, ведение базы генетических сигнатур позволит идентифицировать уязвимости независимо от синтаксиса представлений.

Список литературы диссертационного исследования доктор наук Израилов Константин Евгеньевич, 2026 год

СПИСОК ЛИТЕРАТУРЫ

1. Шимчик, Н.В. IRBIS: Статический анализатор помеченных данных для поиска уязвимостей в программах на C/C++ / Н.В. Шимчик, В.Н. Игнатьев, А.А. Белеванцев // Труды Института системного программирования РАН. - 2022. - Т. 34. - № 6. - С. 51-66. - DOI: 10.15514/ISPRAS-2022-34(6)-4

2. Бровко, Е.В. Метод поиска уязвимостей в программном коде с использованием сверточной нейронной сети / Е.В. Бровко, В.В. Зайцев // Методы и технические средства обеспечения безопасности информации. - 2024. - № 33. - С. 3-5.

3. Jones, A. Harnessing the Efficiency of Reformers to Detect Software Vulnerabilities / A. Jones, M. Omar // The proceedings of Congress in Computer Science, Computer Engineering, & Applied Computing (Las Vegas, NV, USA, 24-27 July 2023). - 2023. - PP. 2259-2264. - DOI: 10.1109/CSCE60160.2023.00368

4. He, Y. Research on Evaluation Model and Algorithm of Information System Health State Based on Realtime Operation Data and Analytic Hierarchy Process / Y. He, H. Zhou, S. Zhang, S. Lu, Y. Yan, R. Li, Y. Gao // The proceedings of International Conference on Networking, Communications and Information Technology (Manchester, United Kingdom, 26-27 December 2021). - 2020. - PP. 353-356. - DOI: 10.1109/NetCIT54147.2021.00077

5. Izrailov, K. Static Analysis of Information Systems for IoT Cyber Security: A Survey of Machine Learning Approaches / I. Kotenko, K. Izrailov, M. Buinevich // Sensors. - 2022. - Vol. 22. -Iss. 4. - PP. 1335. - DOI: 10.3390/s22041335

6. L'Heureux, A. Machine Learning With Big Data: Challenges and Approaches / A. L'Heureux, K. Grolinger, H.F. Elyamany, M.A.M. Capretz // IEEE Access. - 2017. - Vol. 5. - PP. 7776-7797. -DOI: 10.1109/ACCESS.2017.2696365

7. Wang, M. Machine Learning for Networking: Workflow, Advances and Opportunities / M. Wang, Y. Cui, X. Wang, S. Xiao, J. Jiang // IEEE Network. - Vol. 32. - No. 2. - PP. 92-99. - DOI: 10.1109/MNET.2017.1700200

8. Grieco, G. Toward Large-scale Vulnerability Discovery Using Machine Learning: technical report / G. Grieco, G.L. Grinblat, L. Uzal, S. Rawat, J. Feist, L. Mounier // The proceedings of Sixth ACM Conference on Data and Application Security and Privacy (New Orleans, Louisiana, USA, 9-11 March 2016). - 2016. - PP. 85-96. - DOI: 10.1145/2857705.2857720

9. Moskovitch, R. Malicious Code Detection and Acquisition Using Active Learning / R. Moskovitch, N. Nissim, Y. Elovici // The proceedings of IEEE Intelligence and Security Informatics (New Brunswick, USA, 23-24 May 2007). - 2007. - PP. 371-371. - DOI: 10.1109/ISI.2007.379505

10. Xu, Z. Type Learning for Binaries and Its Applications / Z. Xu, C. Wen, S. Qin // IEEE Transactions on Reliability. - Vol. 68. - No. 3. - PP. 893-912. - DOI: 10.1109/TR.2018.2884143

11. Израилов, К.Е. Способ классификации файлов на базе технологии машинного обучения / М.В. Буйневич, К.Е. Израилов // Вестник Санкт-Петербургского государственного университета технологии и дизайна. Серия 1: Естественные и технические науки. - 2020. - № 1. - С. 34-41.

12. Израилов, К.Е. Идентификация архитектуры процессора выполняемого кода на базе машинного обучения. Часть 1. Частотно-байтовая модель / М.В. Буйневич, К.Е. Израилов // Труды учебных заведений связи. - 2020. - Т. 6. - № 1. - С. 77-85. DOI: 10.31854/1813-324X-2020-6-1-77-85.

13. Rosenblum, N. Machine Learning-Assisted Binary Code Analysis / N. Rosenblum, X. Zhu, B. Miller, K. Hunt // The proceedings of NIPS Workshop Machine Learning Adversarial Environment (Vancouver, BC, Canada, 7-8 December 2007). - 2007. - PP. 1-3.

14. Otsubo, Y. o-glasses: Visualizing X86 Code From Binary Using a 1D-CNN / Y. Otsubo, A. Otsuka, M. Mimura, T. Sakaki // IEEE Access 2020. - Vol. 8. - PP. 31753-31763. - DOI: 10.1109/ACCESS.2020.2972358

15. Liu, S. Cyber Vulnerability Intelligence for Internet of Things Binary / S. Liu, M. Dibaei, Y. Tai, C. Chen, J. Zhang, Y. Xiang // IEEE Transactions on Industrial Informatics. - 2020. - Vol. 16. -Iss. 3. - PP. 2154-2163. 10.1109/TII.2019.2942800

16. Abah, J. A Machine Learning Approach to Anomaly-Based Detection on Android Platforms / J. Abah, V. Waziri, M. Abdullahi, U. Arthur, O. Adewale // International Journal of Network Security & Its Applications. - 2015. - Vol. 7. - No. 6. - PP. 15-35. - DOI: 10.5121/ijnsa.2015.7602

17. Ng, D. I. Android malware detection using the dendritic cell algorithm / D. Ng, J. Hwang // The proceedings of International Conference on Machine Learning and Cybernetics (Lanzhou, China, 13-16 July 2014). - 2014. - PP. 257-262. 10.1109/ICMLC.2014.7009126

18. Dash, M. Similarity detection among data files-a machine learning approach / M. Dash, H. Liu // The proceedings of IEEE Knowledge and Data Engineering Exchange Workshop (Newport Beach, CA, USA, 4 November 1997). - 1997. - PP. 172-179.

19. da Cruz Nassif, L. Document Clustering for Forensic Computing: An Approach for Improving Computer Inspection / L. da Cruz Nassif, E. Hruschka // The proceedings of 10th International Conference on Machine Learning and Applications and Workshops (Honolulu, HI, USA, 18-21 December 2011). - 2011. - PP. 265-268. - DOI: 10.1109/ICMLA.2011.59

20. Arif, W. Document Clustering - A Feasible Demonstration with K-means Algorithm / W. Arif, N. Mahoto // The proceedings of 2nd International Conference on Computing, Mathematics and Engineering Technologies (Sukkur, Pakistan, 30-31 January 2019). - 2019. - PP. 1-6. - DOI: 10.1109/ICOMET.2019.8673480

21. Zahid, M. Evolution in software architecture recovery techniques - A survey / M. Zahid, Z. Mehmmod, I. Inayat // The proceedings of 13 th International Conference on Emerging Technologies (Islamabad, Pakistan, 27-28 December 2017). - 2017. - PP. 1-6. - DOI: 10.1109/ICET.2017.8281704

22. Yang, H. A Novel Solutions for Malicious Code Detection and Family Clustering Based on Machine Learning / H. Yang, S. Li, X. Wu, H. Lu, W. Han // IEEE Access 2019. - Vol. 7. - PP. 148853148860. - DOI: 10.1109/ACCESS.2019.2946482

23. Ouyang, L. Android malware detection using 3-level ensemble / L. Ouyang, F. Dong, M. Zhang // The proceedings of 4th International Conference on Cloud Computing and Intelligence Systems (Beijing, China, 17-19 August 2016). - 2016. - PP. 393-397. - DOI: 10.1109/CCIS.2016.7790290

24. Tsague, H. Reverse engineering smart card malware using side channel analysis with machine learning techniques / H. Tsague, B. Twala // The proceedings of IEEE International Conference on Big Data (Washington, DC, USA, 5-8 December 2016). - 2016. - PP. 3713-3721. - DOI: 10.1109/BigData.2016.7841039

25. Khammas, B. Feature selection and machine learning classification for malware detection / B. Khammas, A. Monemi, B. Stephen, I. Ismail, S. Mohd, M. Marsono // Jurnal Teknologi (Sciences & Engineering). - 2015. - Vol. 77. - No. - PP. 243-250. - DOI: 10.11113/jt.v77.3558

26. Xiaoyan, Z. Android malware detection based on permission / Z. Xiaoyan, F. Juan, W. Xiujuan // The proceedings of International Conference on Information and Communications Technologies (Nanjing, China, 15-17 May 2014). - 2014. - PP. 1-5. - DOI: 10.1049/cp.2014.0605

27. Karimi, A. Android ransomware detection using reduced opcode sequence and image similarity / A. Karimi, M. Moattar // The proceedings of 7th International Conference on Computer and Knowledge Engineering (Mashhad, Iran, 26-27 October 2017). - 2017. - PP. 229-234. - DOI: 10.1109/ICCKE.2017.8167881

28. Sportiello, L. File Block Classification by Support Vector Machine / L. Sportiello, S. Zanero // The proceedings of Sixth International Conference on Availability, Reliability and Security (Vienna, Austria, 22-26 August 2011). - 2011. - PP. 307-312. - DOI: 10.1109/ARES.2011.52

29. Bucevschi, A. Preventing File-Less Attacks with Machine Learning Techniques / A. Bucevschi, G. Balan, D. Prelipcean // The proceedings of 21st International Symposium on Symbolic and Numeric Algorithms for Scientific Computing (Timisoara, Romania, 4-7 September 2019). - 2019. - PP. 248-252. - DOI: 10.1109/SYNASC49474.2019.00042

30. Kumar, J. Document Image Classification and Labeling Using Multiple Instance Learning / J. Kumar, J. Pillai, D. Doermann // The proceedings of International Conference on Document Analysis and Recognition (Beijing, China, 18-21 September 2011). - 2011. - PP. 1059-1063. - DOI: 10.1109/ICDAR.2011.214

31. Zhu, G. Multi-scale Structural Saliency for Signature Detection / G. Zhu, Y. Zheng, D. Doermann, S. Jaeger // The proceedings of 2007 IEEE Conference on Computer Vision and Pattern Recognition (Minneapolis, MN, USA, 17-22 June 2007). - 2007. - PP. 1-8. - DOI: 10.1109/CVPR.2007.383255

32. Zhang, M. Multi-instance clustering with applications to multi-instance prediction / M. Zhang, Z. Zhou // Applied Intelligence. - 2009. - Vol. 31. - PP. 47-68.

33. Wang, T. Detection of packed executables using support vector machines / T. Wang, C. Wu // The proceedings of International Conference on Machine Learning and Cybernetics (Guilin, China, 10-13 July 2011). - 2011. - Vol. 2 - PP. 717-722.

34. Hubballi, N. Detecting Packed Executable File: Supervised or Anomaly Detection Method? / N. Hubballi, H. Dogra // The proceedings of 11th International Conference on Availability, Reliability and Security (Salzburg, Austria, 31 August-2 September 2016). - 2016. - PP. 638-643. - DOI: 10.1109/ARES.2016.18

35. Wilkinson, L. Visualizing Big Data Outliers Through Distributed Aggregation / L. Wilkinson // IEEE Transactions on Visualization and Computer Graphics. - 2018. - Vol. 24. - Iss. 1. - PP. 256266. - DOI: 10.1109/TVCG.2017.2744685

36. Baseman, E. Relational Synthesis of Text and Numeric Data for Anomaly Detection on Computing System Logs / E. Baseman, S. Blanchard, Z. Li, S. Fu // The proceedings of 15th IEEE International Conference on Machine Learning and Applications (Anaheim, CA, USA, 18-20 December 2016). - 2016. - PP. 882-885. - DOI: 10.1109/ICMLA.2016.0158

37. Monjalet, F. Predicting File Lifetimes with Machine Learning / F. Monjalet, T. Leibovici // The proceedings of International Conference on High Performance Computing (Frankfurt, Germany, June 16-20 2019). - 2019. - PP. 288-299. - DOI: 10.1007/978-3-030-34356-9_2

38. Saurav, S. A Machine-Learning Approach to Automatic Detection of Delimiters in Tabular Data Files / S. Saurav, P. Schwarz // The proceedings of IEEE 18th International Conference on High Performance Computing and Communications, IEEE 14th International Conference on Smart City, IEEE 2nd International Conference on Data Science and Systems (Sydney, NSW, Australia, 12-14 December 2016). - 2016. - PP. 1501-1503. - DOI: 10.1109/HPCC-SmartCity-DSS.2016.0213

39. Gomis, F. Multiple linear regression for universal steganalysis of images / F. Gomis, M. Camara, I. Diop, S. Farssi, K. Tall, B. Diouf // The proceedings of International Conference on Intelligent Systems and Computer Vision (Fez, Morocco, 2-4 April 2018). - 2018. - PP. 1-4. - DOI: 10.1109/ISACV.2018.8354060

40. Yang, T. Log File Anomaly Detection, Cource of Deep Learning for Natural Language (CS224d). Technical Report / T. Yang, V. Agrawal / Stanford University: Stanford, CA, USA, 2016. -7 p.

41. Last, D. Forecasting Zero-Day Vulnerabilities / D. Last // The proceedings of 11th Annual Cyber and Information Security Research Conference (Oak Ridge, TN, USA, 5-7 April 2016). - 2016. - PP. 1-4. - DOI: 10.1145/2897795.289781

42. Kumar, B. Text Document Classification with PCA and One-Class SVM / B. Kumar, R. Vadlamani // The proceedings of 5th International Conference on Frontiers in Intelligent Computing: Theory and Applications. - 2017. - Vol. 515. - PP. 107-115. - DOI: 10.1007/978-981-10-3153-3_11

43. Zhang, J. Machine Learning With Feature Selection Using Principal Component Analysis for Malware Detection: A Case Study / J. Zhang / Sophos: Abingdon, UK. - 2019. - 5 p.

44. Park, J. Power-based Side-Channel Instruction-level Disassembler / J. Park, X. Xu, Y. Jin, D. Forte, M. Tehranipoor // The proceedings of 55th ACM/ESDA/IEEE Design Automation Conference (San Francisco, CA, USA, 24-28 June 2018). - 2018. - PP. 1-6. - DOI: 10.1109/DAC.2018.8465848

45. Schultz, M. Data mining methods for detection of new malicious executables / M. Schultz, E. Eskin, F. Zadok, S. Stolfo // The proceedings of IEEE Symposium on Security and Privacy (Oakland, CA, USA, 14-16 May 2000). - 2001. - PP. 38-49. - DOI: 10.1109/SECPRI.2001.924286

46. Sinha, A.K. Integrated Malware Analysis Sandbox for Static and Dynamic Analysis / A.K. Sinha, S. Sai // The proceedings of 14th International Conference on Computing Communication and Networking Technologies (Delhi, India, 06-08 July 2023). - 2023. - PP. 1-5. - DOI: 10.1109/ICCCNT56998.2023.10306805

47. Liangboonprakong, C. Classification of malware families based on N-grams sequential pattern features / C. Liangboonprakong, O. Sornil // The proceedings of IEEE 8th Conference on Industrial Electronics and Applications (Melbourne, VIC, Australia, 19-21 June 2013). - 2013. - PP. 777-782. - DOI: 10.1109/ICIEA.2013.6566472

48. Gavrilut, D. Malware detection using machine learning / D. Gavrilut, M. Cimpoeçu, D. Anton, L. Ciortuz // The proceedings of Second International Conference on Advances in Information Technology (Chikkamagaluru, Karnataka, India, 2024, 24-27 July 2024). - 2024. - PP. 1-5. - DOI: 10.1109/ICAIT61638.2024.10690638

49. Bao, T. BYTEWEIGHT: learning to recognize functions in binary code / T. Bao, J. Burket, M. Woo, R. Turner, D. Brumley // The proceedings of 23rd USENIX conference on Security Symposium (San Diego CA, USA, 20-22 August 2014). - 2014. - PP. 845-860.

50. Shin, E.C.R. Recognizing functions in binaries with neural networks / E.C.R. Shin, D. Song, R. Moazzezi // The proceedings of 24th USENIX Conference on Security Symposium (Washington, D C., USA, 12-14 August 2015). - 2015. - PP. 611-626.

51. Wang, S. Automatically Learning Semantic Features for Defect Prediction / S. Wang, T. Liu, L. Tan // The proceedings of 38th International Conference on Software Engineering (Austin, TX, USA, 14-22 May 2016). - 2016. - PP. 297-308. - DOI: 10.1145/2884781.2884804

52. Fast, E. Emergent, crowd-scale programming practice in the IDE / E. Fast, D. Steffee, L. Wang, J.R. Brandt, M.S. Bernstein // The proceedings of Annual ACM Conference on Human Factors in Computing Systems (Toronto, Ontario, Canada, 26 April-1 May 2014). - PP. 2491 - 2500. - DOI: 10.1145/2556288.255699

53. Hsiao, C. H., Cafarella M., Narayanasamy S. Using web corpus statistics for program analysis / C. Hsiao // The proceedings of ACM International Conference on Object Oriented Programming Systems Languages & Applications (Portland, Oregon, USA, 20-24 October 2014). - 2024. - PP. 4965. - DOI: 10.1145/2660193.2660226

54. Wang, S. Bugram: Bug detection with n-gram language models / S. Wang, D. Chollak, D. Movshovitz-Attias, L. Tan // The proceedings of IEEE/ACM International Conference on Automated Software Engineering (Singapore, 03-07 September 2016). - 2016. - PP. 708-719.

55. Murali, V. Finding Likely Errors with Bayesian Specifications: report / V. Murali, S. Chaudhuri, C. Jermaine // arXiv2017. - 2017. - Vol. abs/1703.01370.

56. Allamanis, M. Learning to Represent Programs with Graphs / M. Allamanis, M. Brockschmidt, M. Khademi // The proceedings of 6th International Conference on Learning Representations (Vancouver, Canada, 20 April-3 May 2018). - 2018. - PP. 1-17. - DOI: 10.48550/arXiv.1711.00740

57. Pradel, M. Deep Learning to Find Bugs: technical report / M. Pradel, K. Sen / TU Darmstadt, Department of Computer. Science. - 2017. - PP. 1-15.

58. Meneely, A. Strengthening the empirical analysis of the relationship between linus' law and software security / A. Meneely, L. Williams // The proceedings of ACM/IEEE International Symposium on Empirical Software Engineering and Measurement (Bolzano-Bozen, Italy, 16-17 September 2010). - 2010. - PP. 1-10. - DOI: 10.1145/1852786.1852798

59. Doyle, M. An empirical study of the evolution of PHP web application security / M. Doyle, J. Walden // The proceedings of 3rd International Workshop on Security Measurements and Metrics (Banff, AB, Canada, 21-21 September 2011). - 2011. - PP. 11-20. - DOI: 10.1109/Metrisec.2011.18

60. Shin, Y. Can traditional fault prediction models be used for vulnerability prediction? / Y. Shin, L. Williams // Empirical Software Engineering. - 2013. - Vol. 18. - Iss. 1. - PP. 25-59. - DOI: 10.1007/s10664-011-9190-8

61. Shin, Y. An initial study on the use of execution complexity metrics as indicators of software vulnerabilities / Y. Shin, L. Williams // The proceedings of 7th International Workshop on Software Engineering for Secure Systems (Waikiki, Honolulu, HI, USA, 22 May 2011). - 2011. - PP. 1-7. - DOI: 10.1145/1988630.1988632

62. Shin, Y. Evaluating Complexity, Code Churn, and Developer Activity Metrics as Indicators of Software Vulnerabilities / Y. Shin, A. Meneely, L. Williams, J.A. Osborne // IEEE Transactions on Software Engineering. - 2011. - Vol. 37. - No. 6. - PP. 772-787. - DOI: 10.1109/TSE.2010.81

63. Moshtari, S. Using complexity metrics to improve software security / S. Moshtari, S. Ashkan, A. Mahdi // Computer Fraud & Security. - 2013. - Vol. 5. - PP. 8-17. - DOI: 10.1016/S1361-3723(13)70045-9

64. Walden, J. Predicting Vulnerable Components: Software Metrics vs Text Mining / J. Walden, J. Stuckman, R. Scandariato // The proceedings of IEEE 25th International Symposium on Software Reliability Engineering (Naples, Italy, 03-06 November 2014). - 2014. - PP. 23-33. - DOI: 10.1109/ISSRE.2014.32

65. Morrison, P. Challenges with applying vulnerability prediction models / P. Morrison, K. Herzig, B. Murphy, L. Williams // The proceedings of Symposium and Bootcamp on the Science of Security (Urbana, Illinois, USA, 21-22 April 2015). - 2015. Art. 4. - PP. 1-9. - DOI: 10.1145/2746194.2746198

66. Younis, A. To fear or not to fear that is the question: Code characteristics of a vulnerable function with an existing exploit / A. Younis, Y. Malaiya, C. Anderson, I. Ray // The proceedings of 6th ACM Conference on Data and Application Security and Privacy (New Orleans, Louisiana, USA, 9-11 March 2016). - 2016. - PP. 97-104.

67. Zimmermann, T. Searching for a Needle in a Haystack: Predicting Security Vulnerabilities for Windows Vista / T. Zimmermann, N. Nagappan, L. Williams // The proceedings of 3th International Conference on Software Testing, Verification and Validation (Paris, France, 06-10 April 2010). - 2010. - PP. 421-428. - DOI: 10.1109/ICST.2010.32

68. Engler, D. Bugs as deviant behavior: A general approach to inferring errors in systems code / D. Engler, D.Y. Chen, S. Hallem, A. Chou, B. Chelf // The proceedings of 18th ACM Symposium on Operating Systems Principles (Banff, Alberta, Canada, 21-24 October 2001). - 2001. - PP. 57-72. -DOI: 10.1145/502034.50204

69. Benjamin, L. DynaMine: Finding common error patterns by mining software revision histories / L. Benjamin, T. Zimmermann // 10th European Software Engineering Conference held Jointly with the 13th ACM SIGSOFT International Symposium on Foundations of Software Engineering. -2005. - Vol. 30. - Iss. 5. - PP. 296-305. - DOI: 10.1145/1095430.1081754

70. Li, Z. PR-Miner: automatically extracting implicit programming rules and detecting violations in large software code / Z. Li, Y. Zhou // ACM SIGSOFT Software Engineering Notes. - 2005. - Vol. 30. - Iss. 5. - PP. 306-315. - DOI: 10.1145/1095430.1081755

71. Wasylkowski, A. Detecting object usage anomalies / A. Wasylkowski, A. Zeller, C. Lindig // The proceedings of 6th Joint Meeting of the European Software Engineering Conference and the ACM

SIGSOFT Symposium on Foundations of Software Engineering (Dubrovnik, Croatia, 3-7 September 2007). - 2007. - PP. 35-44. - DOI: 10.1145/1287624.1287632

72. Acharya, M. Mining API patterns as partial orders from source code: From usage scenarios to specifications / M. Acharya, T. Xie, J. Pei, J. Xu // The proceedings of 6th Joint Meeting of the European Software Engineering Conference and the ACM SIGSOFT Symposium on Foundations of Software Engineering (Dubrovnik, Croatia, 3-7 September 2007). - 2007. 25-34. - DOI: 10.1145/1287624.128763

73. Thummalapenta, S. Alattin: Mining Alternative Patterns for Detecting Neglected Conditions / S. Thummalapenta, T. Xie // The proceedings of International Conference on Automated Software Engineering (Auckland, New Zealand, 16-20 November 2009). - 2009. - PP. 283-294. - DOI: 10.1109/ASE.2009.72

74. Gruska, N. Learning from 6,000 projects: Lightweight cross-project anomaly detection / N. Gruska, A. Wasylkowski, A. Zeller // The proceedings of 19th International Symposium on Software Testing and Analysis (Trento, Italy, 12-16 July 2010). - 2010. - PP. 119-130. - DOI: 10.1145/1831708.1831723

75. Chang, R. Y., Podgurski A., Yang J. Discovering Neglected Conditions in Software by Mining Dependence Graphs / R. Chang // Transactions on Software Engineering. - 2008. - Vol. 34. - No. 5. -PP. 579-596. - DOI: 10.1109/TSE.2008.24

76. Yamaguchi, F. Chucky: Exposing missing checks in source code for vulnerability discovery / F. Yamaguchi, C. Wressnegger, H. Gascon, K. Rieck // The proceedings of 20th ACM SIGSAC Conference on Computer & Communications Security (Berlin, Germany, 4-8 November 2013). - 2013. - PP. 499-510. - DOI: 10.1145/2508859.2516665

77. Yamaguchi, F. Vulnerability extrapolation: Assisted discovery of vulnerabilities using machine learning / F. Yamaguchi, F. Lindner, K. Rieck // The proceedings of 5th USENIX Workshop on Offensive Technologies (San Francisco, CA, USA, 8 August 2011). - 2011. - PP. 13

78. Yamaguchi, F. Generalized vulnerability extrapolation using abstract syntax trees / F. Yamaguchi, M. Lottmann, K. Rieck // The proceedings of 28th Annual Computer Security Applications Conference (Orlando, Florida, USA, 3-7 December 2012). - 2012. - PP. 359-368. - DOI: 10.1145/2420950.2421003

79. Shar, L.K. Predicting common web application vulnerabilities from input validation and sanitization code patterns / L.K. Shar, H.B.K. Tan // The proceedings of 27th IEEE/ACM International Conference on Automated Software Engineering (Essen, Germany, 03-07 September 2012). - 2012. -PP. 310-313. - DOI: 10.1145/2351676.2351733

80. Shar, L.K. Predicting SQL injection and cross site scripting vulnerabilities through mining input sanitization patterns / L.K. Shar, H.B.K. Tan // Information and Software Technology. - 2013. -Vol. 55. - Iss. 10. - PP. 1767-1780. - DOI: 10.1016/j.infsof.2013.04.002

81. Shar, L.K. Mining SQL injection and cross site scripting vulnerabilities using hybrid program analysis / L.K. Shar, H.B.K. Tan, L.C. Briand // The proceedings of 35th International Conference on Software Engineering (San Francisco, CA, USA, 18-26 May 2013). - 2013. - PP. 642-651. - DOI: 10.1109/ICSE.2013.6606610

82. Shar, L.K. Web Application Vulnerability Prediction Using Hybrid Program Analysis and Machine Learning / L.K. Shar, L.C. Briand, H.B.K. Tan // IEEE Transactions on Dependable and Secure Computing. - Vol. 12. - No. 6. - PP. 688-707. - DOI: 10.1109/TDSC.2014.2373377

83. Scandariato, R. Predicting vulnerable software components via text mining / R. Scandariato, J. Walden, A. Hovsepyan, W. Joosen // IEEE Transactions on Software Engineering. - 2014. - Vol. 40.

- Iss. 10. - PP. 993-1006. - DOI: 10.1109/TSE.2014.2340398

84. Yamaguchi, F. Automatic inference of search patterns for taint-style vulnerabilities / F. Yamaguchi, A. Maier, H. Gascon, K. Rieck // The proceedings of 36th IEEE Symposium on Security and Privacy (San Jose, CA, USA, 17-21 May 2015). - 2015. - PP. 797-812. - DOI: 10.1109/SP.2015.54

85. Pang, Y. Predicting Vulnerable Software Components through N-Gram Analysis and Statistical Feature Selection / Y. Pang, X. Xue, A.S. Namin // The proceedings of 14th International Conference on Machine Learning and Applications (Miami, FL, USA, 09-11 December 2015). - 2015.

- PP. 543-548. - DOI: 10.1109/ICMLA.2015.99

86. Singh, J. Classification and Analysis of Android Malware Images Using Feature Fusion Technique / J. Singh, D. Thakur, T. Gera, B. Shah, T. Abuhmed, F. Ali // IEEE Access. - 2021. - Vol. 9. - PP. 90102-90117. - DOI: 10.1109/ACCESS.2021.3090998

87. Alasmary, H. ShellCore: Automating Malicious IoT Software Detection Using Shell Commands Representation / H. Alasmary, A. Anwar, A. Abusnaina, A. Alabduljabbar, M. Abuhamad, A. Wang, D. Nyang, A. Awad, D. Mohaisen // IEEE Internet of Things Journal. - 2022. - Vol. 9. - No. 4. - PP. 2485-2496. - DOI: 10.1109/JIOT.2021.3086398

88. Gupta, N. Machine Learning Tensor Flow Based Platform for Recognition of Hand Written Text / N. Gupta, N. Goyal // The proceedings of International Conference on Computer Communication and Informatics (Coimbatore, India, 27-29 January 2021). - 2021. - PP. 1-6. - DOI: 10.1109/ICCCI50826.2021.9402622

89. Peng, L. A Machine Learning-Based Framework for Mobile Forensics / L. Peng, X. Zhu, P. Zhang // The proceedings of 20th International Conference on Communication Technology (Nanning, China, 28-31 October 2020). - 2020. - PP. 1551-1555. - DOI: 10.1109/ICCT50939.2020.9295714

90. Aota, M. Automation of Vulnerability Classification from its Description using Machine Learning / M. Aota, H. Kanehara, M. Kubo, N. Murata, B. Sun, T. Takahashi // The proceedings of Symposium on Computers and Communications (Rennes, France, 7-10 July 2020). - 2020. - PP. 1-7. -DOI: 10.1109/ISCC50000.2020.9219568

91. Izrailov, K. Threats Classification Method for the Transport Infrastructure of a Smart City / K. Izrailov, A. Chechulin, L. Vitkova // The proceedings of 14th International Conference on Application of Information and Communication Technologies (Tashkent, Uzbekistan, 07-09 October 2020). - 2020. - PP. 1-6. - DOI: 10.1109/AICT50176.2020.9368828

92. Durmaz, O. Fast image search with distrubuted hashing / O. Durmaz, H.§. Bilge // The proceedings of 26th Signal Processing and Communications Applications Conference (Izmir, Turkey, 02-05 May 2018). - 2018. - PP. 1-4. - DOI: 10.1109/SIU.2018.8404472

93. Израилов, К.Е. Методология реверс-инжиниринга машинного кода. Часть 1. Подготовка объекта исследования / К.Е. Израилов // Труды учебных заведений связи. - 2023. -Т. 9. - № 5. - С. 79-90. - DOI: 10.31854/1813-324X-2023-9-5-79-90

94. Izrailov, K. Modeling the Development of Energy Network Software, Taking into Account the Detection and Elimination of Vulnerabilities / I. Kotenko, K. Izrailov, M. Buinevich, I. Saenko, R. Shorey // Energies. - 2023. - Vol. 16. - Iss. 13. - PP. 5111. - DOI: 10.3390/en16135111

95. Долгова, К.Н. Методы и алгоритмы восстановления программ на языке ассемблера в программы на языке высокого уровня / К.Н. Долгова, А.В. Чернов, Е.О. Деревенец // Проблемы информационной безопасности. Компьютерные системы. - 2008. - № 3. - С. 54-68.

96. Израилов, К.Е. Методология реверс-инжиниринга машинного кода. Часть 2. Статическое исследование / К.Е. Израилов // Труды учебных заведений связи // 2023. - Т. 9. - № 6. - С. 68-82. - DOI: 10.31854/1813-324X-2023-9-6-68-82

97. Израилов, К.Е. Методология реверс-инжиниринга машинного кода. Часть 3. Динамическое исследование и документирование / К.Е. Израилов // Труды учебных заведений связи. - 2024. - Т. 10. - № 1. - С. 86-96. - DOI: 10.31854/1813-324X-2024-10-1-86-96

98. Ревнивых, А.В. Методика автоматизированного формирования структуры дизассемблированного листинга / А.В. Ревнивых, А.С. Велижанин // Кибернетика и программирование. - 2019. - № 2. - С. 1-16. - DOI: 10.25136/2306-4196.2019.2.28272

99. Zhang, D. The Impact of Lightweight Disassembler on Malware Detection: An Empirical Study / D. Zhang, Z. Zhang, B. Jiang, T.H. Tse // Proceedings of the 42nd Annual Computer Software and Applications Conference (Tokyo, Japan, 23-27 July 2018). 2018. - PP. 620-629. - DOI: 10.1109/œMPSAC.2018.00094

100. David, A. Ghidra Software Reverse Engineering for Beginners: Analyze, identify, and avoid malicious code and potential threats in your networks and systems / A. David / UK: Packt Publishing Ltd, 2021. - 322 p.

101. Селиверстова, И.А. Разработка программного обеспечения построения XML описания кода / И.А. Селиверстова // Современные научные исследования и инновации. - 2016. - № 2(58). - С. 102-104.

102. Митькин, С.Б. Автоматное программирование на языке Дракон / С.Б. Митькин // Программная инженерия. - 2019. - Т. 10. - № 1. - С. 3-13. - DOI: 10.17587/prin.10.3-13

103. Вохмин, А.А. Визуально-графическая система программирования на основе разработки блок-схем алгоритмов. Конвертирование текстов программ на различных языках программирования в блок-схемы и обратно / А.А. Вохмин, О.А. Евдокимова, А.А. Малявко // Южно-Сибирский научный вестник. - 2021. - № 3(37). - С. 49-57. - DOI: 10.25699/SSSB.2021.37.3.013

104. Pakonen, A. Obfuscation of function block diagrams / A. Pakonen // Proceedings of the 28th International Conference on Emerging Technologies and Factory Automation (ETFA, Sinaia, Romania, 12-15 September 2023). 2023. - PP. 1-7. - DOI: 10.1109/ETFA54631.2023.10275363

105. Ипатов, П.С. Технологии межпрограммных интерфейсов / П.С. Ипатов // Science Time. - 2016. - № 9(33). - С. 115-118.

106. Gardazi, S.U. Survey of software architecture description and usage in software industry of Pakistan / S.U. Gardazi, A.A. Shahid // Proceedings of the International Conference on Emerging Technologies (Islamabad, Pakistan, 19-20 October 2009). 2009. - PP. 395-402. - DOI: 10.1109/ICET.2009.5353137

107. Sharma, K. Prachi. Functionality Assessment of Software System using Fuzzy Approach / K. Sharma, S. Dubey, P. Gaurav // Proceedings of the 8th International Conference on Reliability, Infocom Technologies and Optimization (Trends and Future Directions) (ICRITO, Noida, India, 04-05 June 2020). 2020. - PP. 1206-1209. - DOI: 10.1109/ГСМТО48877.2020.9197795

108. Израилов, К.Е. Создание программной объектно-ориентированной платформы для разработки UEFI модулей / К.Е. Израилов, В.В. Покусов // X международная научно-техническая и научно-методическая конференция «Актуальные проблемы инфотелекоммуникаций в науке и образовании» (АПИНО 2021, Санкт-Петербург, Россия, 24-25 февраля 2021). Санкт-Петербург: СПбГУТ. - 2021. - Т. 2. - С. 246-250.

109. Yu, S. Y., Achamyeleh Y.G., Wang C., Kocheturov A., Eisen P., Al Faruque M.A. CFG2VEC: Hierarchical Graph Neural Network for Cross-Architectural Software Reverse Engineering / S. Yu // Proceedings of the 45th International Conference on Software Engineering: Software

110. Израилов, К.Е. Гипотетический метод восстановления модулей архитектуры машинного кода с целью выявления высокоуровневых уязвимостей / К.Е. Израилов, И.В. Умаралиев // XII международная научно-техническая и научно-методическая конференция Актуальные проблемы инфотелекоммуникаций в науке и образовании (АПИНО 2023, Санкт-Петербург, Россия, 28 февраля - 01 марта 2023). Санкт-Петербург: СПбГУТ, 2023. - Т. 1. - С. 577-581.

111. Wang, R. Research on application of article recommendation algorithm based on Word2Vec and Tfidf / R. Wang, Y. Shi // The proceedings of International Conference on Electrical Engineering, Big Data and Algorithms (Changchun, China, 25-27 February 2022). 2022. - PP. 454-457. - DOI: 10.1109/EEBDA53927.2022.97448244

112. Хомоненко, А.Д. Динамические модели отладки программ с вероятностным обнаружением ошибок и распределением Эрланга длительности их исправления / А.Д. Хомоненко, А.И. Данилов, А.А. Данилов // Научно-технический вестник информационных технологий, механики и оптики. - 2016. - Т. 16. - № 4. - С. 655-662.

113. Scherer, K. I/O Interaction Analysis of Binary Code / K. Scherer, T. Pfeffer, S. Glesner // Proceedings of the 28th International Conference on Enabling Technologies: Infrastructure for Collaborative Enterprises (Napoli, Italy, 12-14 June 2019). 2019. - PP. 225-230. - DOI: 10.1109/WETICE.2019.00056

114. Липаев, В.В. Риски проектирования и производства мобильных программных продуктов / В.В. Липаев // Труды Института системного программирования РАН. - 2011. - Т. 21. - С. 167-182.

115. Израилов, К.Е. Идентификация архитектуры процессора выполняемого кода на базе машинного обучения. Часть 2. Способ идентификации / М.В. Буйневич, К.Е. Израилов // Труды учебных заведений связи. - 2020. - Т. 6. - № 2. - С. 104-112. - DOI: 10.31854/1813-324X-2020-6-2-104-112

116. Израилов, К.Е. Идентификация архитектуры процессора выполняемого кода на базе машинного обучения. Часть 3. Оценка качества и границы применимости / М.В. Буйневич, К.Е. Израилов // Труды учебных заведений связи. - 2020. - Т. 6. - № 3. - С. 48-57. - DOI: 10.31854/1813-324X-2020-6-3-48-57

117. Штеренберг, С.И. Варианты применения языка ассемблера для заражения вирусом исполнимого файла формата ELF / С.И. Штеренберг, А.В. Красов // Информационные технологии и телекоммуникации. - 2013. - Т. 1. - № 3. - С. 61-71.

118. Штеренберг, С.И. Варианты модификации структуры исполнимых файлов формата PE / С.И. Штеренберг, В.И. Андрианов // Перспективы развития информационных технологий. -2013. - № 16. - С. 134-143.

119. Юрин, И.Ю. Способы установления первоначального имени PE-файла / И.Ю. Юрин // Теория и практика судебной экспертизы. - 2008. - № 3(11). - С. 200-205.

120. Файловый архиватор 7-Zip / 7-Zip. URL: https://www.7-zip.org/ (дата обращения: 01.07.2025)

121. Кажемский, М.А. Многоклассовая классификация сетевых атак на информационные ресурсы методами машинного обучения / М.А. Кажемский, О.И. Шелухин // Труды учебных заведений связи. - 2019. - Т. 5. - № 1. - С. 107-115. - DOI: 10.31854/1813-324X-2019-5-1-107-115

122. Попков, М.И. Автоматическая система классификации текстов для базы знаний предприятия / М.И. Попков // International Journal of Open Information Technologies. - 2014. - Т. 2. - № 7. - С. 11-18.

123. Файлы образов Debian / Debian. URL: https://www.debian.org/distrib/netinst.ru.html (дата обращения 01.07.2025)

124. Жилин, В.В. Искусственный интеллект в системах хранения данных / В.В. Жилин, О.А. Сафарьян // Вестник Донского государственного технического университета. - 2020. - Т. 20. - № 2. - С. 196-200. - DOI: 10.23947/1992-5980-2020-20-2-196-200

125. Израилов, К.Е. Интеллектуальный метод визуализации взаимодействий программ в интересах аудита информационной безопасности операционной системы / М.В. Буйневич, Г.А. Ганов, К.Е. Израилов // Информатизация и связь. - 2020. - № 4. - С. 67-74.

126. Hwang, E.H. A recovery algorithm for PE files in a multi-core system / E.H. Hwang, S.J. Cho, K.J. Kim, Y.J. Kim, S.H. Yoon, J.W. Jeon // The proceedings of 12th International Conference on Control, Automation and Systems (Jeju, South Korea, 17-21 October 2012). - 2012. - PP. 289-293.

127. Хомяков, И.Н. Анализ возможностей скрытого вложения информации в структуру байт-кода Java / И.Н. Хомяков, А.В. Красов // Актуальные проблемы инфотелекоммуникаций в науке и образовании: сборнике трудов II Международной научно-технической и научно-методической конференции. - 2013. - С. 859-861.

128. Паршикова, С.Р. Анализ языков программирования для веб-разработки: PHP, Python и Ruby / С.Р. Паршикова, В.В. Кузина // Образование и наука в современном мире. Инновации. -2016. - № 6-1. - С. 195-202.

129. Леденев, А.В. Динамически загружаемые библиотеки: структура, архитектура и применение / А.В. Леденев, И.А. Семенов, В.А. Сторожевых // Прикладная информатика. - 2008. - № 2 (14). - С. 31-84.

130. Хабрат, М.Д. Обзор протокола удаленного вызова процедур JSON-RPC / М.Д. Хабрат // Молодежный научно-технический вестник. - 2017. - № 2. - С. 17.

131. Эккерт, И.С. Функционирование и реализация Unix Sockets / И.С. Эккерт, М.О. Тюмин, И.А. Водолазский // Аллея науки. - 2019. - Т. 5. - № 1 (28). - С. 955-960.

132. Израилов, К.Е. Визуализация многопризнаковых уязвимостей программного кода с помощью метода главных компонент / К.Е. Израилов // Вестник Санкт-Петербургского государственного университета технологии и дизайна. Серия 1: Естественные и технические науки. - 2020. - № 1. - С. 3-8.

133. Шелухин, О. И. Обнаружение аномальных состояний компьютерных систем средствами интеллектуального анализа данных системных журналов / О. И. Шелухин, В. С. Рябинин, М. А. Фармаковский // Вопросы кибербезопасности. - 2018. - № 2(26). - С. 33-43. -DOI: 10.21681/2311-3456-2018-2-33-43.

134. Израилов, К.Е. Метод анализа вредоносного программного обеспечения на базе Fuzzy Hash / К.Е. Израилов, Н.В. Гололобов, Г.А. Краскин // Информатизация и связь. - 2019. - № 2. -С. 36-44.

135. Израилов, К.Е. Обзор способов построения динамических адаптивных интерфейсов и их интеллектуализация / П.А. Курта, К.Е. Израилов // Научно-аналитический журнал "Вестник Санкт-Петербургского университета Государственной противопожарной службы МЧС России". - 2023. - № 4. - С. 119-132. - DOI: 10.61260/2218-130X-2024-2023-4-119-132

136. Израилов, К.Е. Дискуссионная статья: прогнозирование возможностей применения неевклидовой геометрии в информационной безопасности / А.П. Гудаков, К.Е. Израилов, И.В. Котенко // Информатизация и связь. - 2022. - № 3. - С. 15-21. - DOI: 10.34219/2078-8320-202213-3-15-21

137. Израилов, К.Е. Модель угроз информационно-технического взаимодействия в интегрированной системе защиты информации / М.В. Буйневич, В.В. Покусов, К.Е. Израилов // Информатизация и связь. - 2021. - № 4. - С. 66-73. - DOI: 10.34219/2078-8320-2021-12-4-66-73

138. Izrailov, K. Method and algorithms of visual audit of program interaction / M. Buinevich, K. Izrailov, I. Kotenko, P. Kurta // Journal of Internet Services and Information Security. - 2021. - Vol. 11. - Iss. 1. - PP. 16-43. - DOI: 10.22667/JISIS.2021.02.28.016

139. Izrailov, K. Intellectual method of program interactions visualisation in Unix-like systems for information security purposes / M. Buinevich, K. Izrailov, G. Ganov // The proceedings of 12th Majorov International Conference on Software Engineering and Computer Systems (Saint-Petersburg, Russia, 10-11 December 2020). - 2020. - PP. 59-71.

140. Израилов, К.Е. Программа для идентификации архитектуры процессора машинного кода выполняемых файлов на базе машинного обучения: свидетельство о государственной

регистрации программы для ЭВМ / К.Е. Израилов, М.В. Буйневич / рег. № 2020619564 от 18.08.2020.

141. Израилов, К.Е. Программа для классификации файлов основных типов на базе технологии машинного обучения / К.Е. Израилов, М.В. Буйневич, А.В. Красов, С.В. Хорошенко // Свидетельство о государственной регистрации программы для ЭВМ № 2020614603 от 16.04.2020.

142. Израилов, К.Е. Программа визуализации процесса кластеризации многомерных точек для учебных целей / К.Е. Израилов, А.В. Красов // Свидетельство о регистрации программы для ЭВМ № 2020617704 от 10.07.2020

143. Израилов, К.Е. Основные принципы проектирования архитектуры современных систем защиты / М.В. Буйневич, К.Е. Израилов, В.В. Покусов, А.Ю. Ярошенко // Национальная безопасность и стратегическое планирование. - 2020. - № 3 (31). - С. 51-58. - DOI: 10.37468/23071400-2020-3-51-58

144. Izrailov, K. Generalized interaction model in the information system / M. Buinevich, K. Izrailov, V. Pokusov, S. Sharapov, S. Terekhin // International Journal of Pure and Applied Mathematics. - 2018. - Vol. 119. - Iss. 17. - PP. 1381-1385.

145. Израилов, К.Е. Система оценивания защищенности на основе анализа эксплойтов и признаков их реализации в реальном времени / Е.В. Федорченко, К.Е. Израилов, А.В. Федорченко // Региональная информатика «РИ-2024»: материалы XIX Санкт-Петербургской международной конференции (Санкт-Петербург, 23-25 октября 2024 г.). - 2024. - С. 141-142.

146. Израилов, К.Е. Сравнительный анализ решений по защиты от несанкционированного распространения программного обеспечения / К.Е. Израилов, Е.И. Часовских // Актуальные проблемы инфотелекоммуникаций в науке и образовании (АПИНО 2023): сборник научных статей XII международной научно-технической и научно-методической конференции (Санкт-Петербург, 28 февраля - 01 марта 2023 года). - 2023. - Т. 1. - С. 581-586.

147. Израилов, К.Е. Анализ моделей прогнозирования временных рядов для предсказания трендов развития угроз информационной безопасности / К.Е. Израилов, Н.А. Пономарев, Е.В. Таров // Актуальные проблемы инфотелекоммуникаций в науке и образовании (АПИНО 2023): сборник научных статей XII международной научно-технической и научно-методической конференции (Санкт-Петербург, 28 февраля - 01 марта 2023 года). - 2023. - Т. 1. - С. 572-577.

148. Израилов, К.Е. Концептуальная модель интерфейса взаимодействия «Система -Оператор», основанного на технологиях визуализации, учитывающих когнитивный аппарат человека / К.Н. Жернова, К.Е. Израилов, М.В. Коломеец, Д.С. Левшун, А.А. Чечулин // Актуальные проблемы инфотелекоммуникаций в науке и образовании (АПИНО 2022): сборник

научных статей XI международной научно-технической и научно-методической конференции (Санкт-Петербург, 15-16 февраля 2022 г.). - 2022. - Т. 1. - С. 460-463.

149. Израилов, К.Е. Задача-ориентированное сравнение средств анализа сетевого трафика / М.А. Скорых, К.Е. Израилов, А.В. Башмаков // Теория и практика обеспечения информационной безопасности: сборник научных трудов по материалам Всероссийской научно-теоретической конференции (Москва, 03 декабря 2021 г.). - 2021. - С. 103-107.

150. Израилов, К.Е. К вопросу об архитектуре комплексных и интегрированных систем безопасности: протокол-ориентированный подход / М.В. Буйневич, К.Е. Израилов, В.В. Покусов, А.Ю. Ярошенко // Актуальные проблемы защиты и безопасности: труды XXIV Всероссийской научно-практической конференции РАРАН (Санкт-Петербург, 31 марта - 03 апреля 2021 г.). -2021. - С. 377-383.

151. Израилов, К.Е. Исследование способа небезопасного вызова API ядра в ОС Windows / Н.В. Гололобов, К.Е. Израилов // Актуальные проблемы инфотелекоммуникаций в науке и образовании (АПИНО 2021): сборник научных статей X международной научно-технической и научно-методической конференции (Санкт-Петербург, 24-25 февраля 2021 г.). - 2021. - Т. 1. - С. 248-252.

152. Израилов, К.Е. Информационные объекты в системе обеспечения информационной безопасности / К.Е. Израилов, В.В. Покусов, Е.С. Столярова // Теоретические и прикладные вопросы комплексной безопасности: материалы I Международной научно-практической конференции. Петровская академия наук и искусств (Санкт-Петербург, 28 марта 2018 г.). - 2018. - С. 166-169.

153. Израилов, К.Е. Моделирование программы с уязвимостями с позиции эволюции ее представлений. Часть 1. Схема жизненного цикла / К.Е. Израилов // Труды учебных заведений связи. - 2023. - Т. 9. - № 1. - С. 75-93. DOI: 10.31854/1813-324X-2023-9-1-75-93

154. ГОСТ 19.701-90 Единая система программной документации. Схемы алгоритмов, программ, данных и систем. Обозначения условные и правила выполнения. М.: Стандартинформ, 2010.

155. Вихрев, В.В. О механизме реализации коэволюционной модели жизненного цикла разработки компьютерных программ для обучения / В.В. Вихрев // Системы и средства информатики. - 2014. - Т. 24. - № 4. - С. 168-185. D0I:10.14357/08696527140411

156. Галимянов, А.Ф. Жизненный цикл программного продукта с большим количеством пользователей: на примере обучающих программ / А.Ф. Галимянов, Н.М.Ф. Аль-Саффар // VI Международные Махмутовские чтения. Проблемное обучение в современном мире (Казань, Елабуга, 12-14 апреля 2016): сборник статей. Елабуга: Казанский (Приволжский) федеральный университет, Елабужский филиал: 2016. - С. 129-133.

157. ГОСТ 34.601-90 Информационная технология. Комплекс стандартов на автоматизированные системы. автоматизированные системы. Стадии создания. М.: Стандартинформ, 2009.

158. Слепов, В.А. Проектирование и разработка программного продукта «личный блокнот для записи мыслей» / В.А. Слепов // Научное обозрение. Технические науки. - 2020. - № 4. - С. 58-63.

159. Гишлакаев, С.У. Базовые основы и процессы программной инженерии / С.У. Гишлакаев, О.М. Минаев // XXVII Всероссийская научно-практическая конференция. Цифровизация образования: теоретические и прикладные исследования современной науки (Ростов-на-Дону, Россия, 25.01.2021). Ростов-на-Дону: Южный университет (ИУБиП), ООО "Издательство ВВМ", 2021. - Ч. 1. - С. 18-22.

160. Iannone, E. De Lucia A., Palomba F. The Secret Life of Software Vulnerabilities: A Large-Scale Empirical Study / E. Iannone, R. Guadagni, F. Ferrucci // IEEE Transactions on Software Engineering. 2023, Vol. 49. - Iss. 1. - PP. 44-63. D0I:10.1109/TSE.2022.3140868

161. Аникин, И.В. Нечеткая оценка уязвимостей, основанная на метриках CVSS V.2.0 / И.В. Аникин // Проблемы информационной безопасности. Компьютерные системы. 2015. - № 3.

- С.111-117.

162. Паронджанов, В.Д. Алгоритмические языки и программирование: ДРАКОН: учебное пособие для среднего профессионального образования / В.Д. Паронджанов / Москва: Издательство Юрайт, 2023. - 436 с.

163. Лапшова, А.А. Разработка графического описания программного обеспечения с помощью языка UML / А.А. Лапшова // Теория и практика современной науки. - 2018. - № 6(36).

- С. 894-896.

164. Долидзе, А.Н. Обзор специфических функций языка FBD на примере программируемых реле LOGO! / А.Н. Долидзе // Инженерный вестник Дона. - 2022. - № 11(95).

- С. 1-10.

165. Pardo, M.X.C. SFC++: A Tool for Developing Distributed Real-Time Control Software / M.X.C. Pardo, G.R. Ferreiro // Microprocessors and Microsystems. - 1999. - Vol. 23. - Iss. 2. - PP. 75-84. DOI: 10.1016/S0141 -9331(99)00015 -0

166. Ахмерова, А.Н. Языки программирования контроллеров. Особенности применения языков FBD, LD / А.Н. Ахмерова // Научный аспект. - 2019. - Т. 3. - № 3. - С. 340-345.

167. Туренко, Д.Л. Исследование подходов к идентификации и восстановлению алгоритмов программ / Д.Л. Туренко, К.Г. Кирьянов // Вестник Нижегородского университета им. Н.И. Лобачевского. Серия: Радиофизика. - 2004. - № 1. - С. 37-46.

168. Nassi, I. Flowchart techniques for structured programming / I. Nassi, B. Shneiderman // SIGPLAN Notices. - Vol. 8. - Iss. 8. - PP. 12-26. D0I:10.1145/953349.953350

169. Басов, А.С. Классификация языков программирования и их особенности / А.С. Басов // Вестник науки. - 2020. - Т. 2. - № 8(29). - С. 95-101.

170. Израилов, К.Е. Интеллектуальный метод алгоритмизации машинного кода в интересах поиска в нем уязвимостей / М.В. Буйневич, К.Е. Израилов, В.В. Покусов, В.А. Тайлаков, И.Н. Федулина // Защита информации. Инсайд. - 2020. - № 5(95). - С. 57-63.

171. Кизянов, А.О. Концепция универсального языка программирования / А.О. Кизянов,

B.А. Глаголев // Постулат. - 2022. - № 1(75).

172. Морозов, Д.П. Разработка анализатора кода C, C++ на языке Python с использованием Lex, Yacc / Д.П. Морозов, А.В. Слепнев // 74-я региональная научно-техническая конференция студентов, аспирантов и молодых ученых. Студенческая весна - 2020 (Санкт-Петербург, Россия, 26-27 мая 2020). СПб.: СПбГУТ, 2020. - С. 28-32.

173. Израилов, К.Е. Основы кибербезопасности: способы анализа программ: учебное пособие / М.В. Буйневич, К.Е. Израилов / СПб.: Санкт-Петербургский университет ГПС МЧС России, 2022. - 92 с.

174. Lee, W.I. From natural language to Shell Script: A case-based reasoning system for automatic UNIX programming / W.I. Lee, G. Lee // Expert Systems with Applications. - 1995. - Vol. 9. - Iss. 1. - PP. 71-79. D0I:10.1016/0957-4174(94)00050-6

175. Пирогов, В. Ассемблер для Windows / В. Пирогов / Санкт-Петербург: БХВ-Петербург, 2012. - 896 с.

176. Капустин, Д.А. Статический анализ корпуса исходных кодов Python-приложений / Д.А. Капустин, В.В. Швыров, Т.И. Шулика // Программная инженерия. - 2022. - Т. 13. - № 8. -

C. 394-403. D0I:10.17587/prin.13.394-403

177. Suganuma, T. et al. Evolution of a Java just-in-time compiler for IA-32 platforms / T. Suganuma, T. Ogasawara, K. Kawachiya, M. Takeuchi, K. Ishizaki, A. Koseki // IBM Journal of Research and Development. - 2004. - Vol. 48. - Iss. 5.6. - PP. 767-795. DOI:10.1147/rd.485.0767

178. Кричанов, М.Ю. Защищенная UEFI-прошивка для виртуальных машин / М.Ю. Кричанов, В.Ю. Чепцов // Системный администратор. - 2021. - № 11(228). - С. 75-81.

179. Макаров, А.В. Common Intermediate Language и системное программирование в Microsoft.NET: учебное пособие / А.В. Макаров, С.Ю. Скоробогатов, А.М. Чеповский / Москва, Саратов: Интернет-Университет Информационных Технологий (ИНТУИТ), Ай Пи Ар Медиа, 2020. - 397 с.

180. Красов, А.В. Методика защиты байт-кода Java-программы от декомпиляции и хищения исходного кода злоумышленником / А.В. Красов, П.И. Шариков // Вестник Санкт-

Петербургского государственного университета технологии и дизайна. Серия 1: Естественные и технические науки. - 2017. - № 1. - С. 47-50.

181. Израилов, К.Е. Моделирование программы с уязвимостями с позиции эволюции ее представлений. Часть 2. Аналитическая модель и эксперимент / К.Е. Израилов // Труды учебных заведений связи. - 2023. - Т. 9. - № 2. - С. 95-111. DOI: 10.31854/1813-324X-2023-9-2-95-111

182. Eunkyoung, J. et al. Testing of Timer Function Blocks in FBD / J. Eunkyoung, J. Seungjae, B. Hojung, C. Sungdeok, Y. Junbeom, P. Geeyong // Proceedings of 13th Asia Pacific Software Engineering Conference (APSEC'06, Bangalore, India, 06-08 December 2006). 2006. - PP. 243-250. DOI:10.1109/APSEC.2006.55

183. McCanne, S. The BSD Packet Filter: A New Architecture for User-Level Packet Capture / S. McCanne, V. Jacobson // Proceedings of the Winter USENIX Technical Conference, San Diego, USA, 25-29 January 1993. USENIX Association, 1993.

184. Kim, M. Avengers, Assemble! Survey of WebAssembly Security Solutions / M. Kim, H. Jang, Y. Shin // Proceedings of 15th International Conference on Cloud Computing (CLOUD, Barcelona, Spain, 10-16 July 2022). 2022. - PP. 543-553. DOI:10.1109/CLOUD55607.2022.00077

185. Израилов, К.Е. Антропоморфический подход к описанию взаимодействия уязвимостей в программном коде. Часть 1. Типы взаимодействий / М.В. Буйневич, К.Е. Израилов // Защита информации. Инсайд. - 2019. - № 5(89). - С. 78-85.

186. Покусов, В.В. Синергетические эффекты взаимодействия модулей системы обеспечения информационной безопасности / В.В. Покусов // Информатизация и связь. - 2018. -№ 3. С 61-67.

187. Покусов, В.В. Особенности взаимодействия служб обеспечения функционирования информационной системы / В.В. Покусов // Информатизация и связь. - 2018. - № 5. C. 51-56.

188. Коробко, И. Централизованно меняем пароли локального системного администратора / И. Коробко // Системный администратор. - 2006. - № 6 (43). - С. 30-32.

189. Taneski, V. Impact of security education on password change / V. Taneski, M. Hericko, B. Brumen // 38th International Convention on Information and Communication Technology, Electronics and Microelectronics (MIPRO). - 2015. - PP. 1350-1355.

190. Израилов, К.Е. Антропоморфический подход к описанию взаимодействия уязвимостей в программном коде. Часть 2. Метрика уязвимостей / М.В. Буйневич, К.Е. Израилов // Защита информации. Инсайд. - 2019. - № 6(90). - С. 61-65.

191. Суворов, А.М. Исследование атак типа переполнение буфера в 64-х разрядных Unix подобных операционных системах / А.М. Суворов, А.Ю. Цветков // Актуальные проблемы инфотелекоммуникаций в науке и образовании (АПИНО-2018): сборник научных статей VII Международной научно-технической и научно-методической конференции. - 2018. - С. 570-573.

192. Беленко, А. Пароли: стойкость, политики назначения и аудит / А. Беленко // Защита информации. Инсайд. - 2009. - № 1 (25). - С. 61-64.

193. Markelova, A. Vulnerability of RSA algorithm / A. Markelova // CEUR Workshop Proceedings of Secure Information Technologies (BIT 2017). - 2017. - PP. 74-78.

194. Уланов, А.В. Защита от DDoS-атак: механизмы предупреждения, обнаружения, отслеживания источника и противодействия / А.В. Уланов, И.В. Котенко // Защита информации. Инсайд. - 2007. - № 1 (13). - С. 60-67.

195. Чувилин, К.В. Параметрический подход к построению синтаксических деревьев для частично формализованных текстовых документов / К.В. Чувилин // Машинное обучение и анализ данных. - 2016. - Т. 2. - № 2. - С. 201-217.

196. Израилов, К.Е. Способ вариативной классификации уязвимостей в программном коде. Часть 1. Стратификация и категориальное деление / М.В. Буйневич, К.Е. Израилов, В.В. Матвеев, В.В. Покусов // Автоматизация в промышленности. - 2021. - № 11. - С. 42-49. - DOI: 10.25728/avtprom.2021.11.09

197. Израилов, К.Е. Способ вариативной классификации уязвимостей в программном коде. Часть 2. Автоматизация на базе машинного обучения / М.В. Буйневич, К.Е. Израилов, В.В. Покусов, Н.Е. Романов // Автоматизация в промышленности. - 2022. - № 4. - С. 49-55. - DOI: 10.25728/avtprom.2022.04.10

198. Израилов, К.Е. Основные положения парадигмы языка единого представления программного кода в интересах поиска в нем средне- и высокоуровневых уязвимостей / М.В. Буйневич, К.Е. Израилов, В.В. Покусов // Вопросы кибербезопасности. - 2021. - № 6(46). - С. 7889. - DOI: 10.21681/2311-3456-2021-6-78-89

199. Израилов, К.Е. Модель классификации уязвимостей интерфейсов транспортной инфраструктуры «умного города» / К.Е. Израилов, Д.С. Левшун, А.А. Чечулин // Системы управления, связи и безопасности. - 2021. №5. - С. 199-223. - DOI: 10.24412/2410-9916-2021-5199-223

200. Израилов, К.Е. Обобщенная классификация уязвимостей интерфейсов транспортной инфраструктуры Умного города / К.Е. Израилов // Информационные технологии. - 2021. - Т. 27.

- № 6. - С. 330-336. - DOI: 10.17587/it.27.330-336

201. Израилов, К.Е. Обобщенная модель статического анализа программного кода на базе машинного обучения применительно к задаче поиска уязвимостей / М.В. Буйневич, К.Е. Израилов // Информатизация и связь. - 2020. №. 2. - С. 143-152.

202. Израилов, К.Е. Аналитическое моделирование работы программного кода с уязвимостями / М.В. Буйневич, К.Е. Израилов // Вопросы кибербезопасности. - 2020. - № 3(37).

- С. 2-12. - DOI: 10.21681/2311-3456-2020-03-02-12

203. Izrailov, K. Classification and analysis of vulnerabilities in mobile device infrastructure interfaces / K. Izrailov, D. Levshun, I. Kotenko, A. Chechulin // Communications in Computer and Information Science. - 2022. - Т. 1544 CCIS. - PP. 301-319. - DOI: 10.1007/978-981-16-9576-6_21

204. Izrailov, K. Testing Platform Invoke as a Tool for Shellcode Injection in Windows Applications / V. Fedorov, E. Balenko, N. Gololobov, K. Izrailov // Journal of Physics: Conference Series. - 2021. - Vol. 2096. - Iss. 1. - PP. 012048. - DOI: 10.1088/1742-6596/2096/1/012048

205. Izrailov, K. Digital cloud environment: present challenges and future forecast / S. Mescheryakov, D. Shchemelinin, K. Izrailov, V. Pokussov // Future Internet. - 2020. - Vol. 12. - Iss. 5.

- PP. 82. - DOI: 10.3390/fi12050082

206. Izrailov, K. Intellectual selection of requirements for safe design of Smart City transport infrastructure interface / K. Izrailov, N. Romanov, A. Chechulin, A. Yaroshenko, I. Kotenko // The proceedings of Intelligent Distributed Computing (Hamburg, Germany, 13-15 September 2023). - 2024.

- Vol. 1138. - PP. 135-148. - DOI: 10.1007/978-3-031-60023-4_15

207. Izrailov, K. Identifying characteristics of software vulnerabilities by their textual description using machine learning / K. Izrailov, M. Buinevich, I. Kotenko, A. Yaroshenko // World Automation Congress (Taipei, Taiwan, 1-5 August 2021). - 2021. - PP. 186-192. - DOI: 10.23919/WAC50355.2021.9559470

208. Izrailov, K. Metric of vulnerability at the base of the life cycle of software representations / M. Buinevich, K. Izrailov, A. Vladyko // The proceedings of 20th International Conference on Advanced Communication Technology (Chuncheon, South Korea, 11-14 February 2018). - 2018. - PP. 1-8. -DOI: 10.23919/ICACT.2018.8323939

209. Израилов, К.Е. Средство построения жизненного цикла программы с потенциальными уязвимостями / К.Е. Израилов // Свидетельство о регистрации программы для ЭВМ № 2023664967 от 11.07.2023.

210. Израилов, К.Е. Средство определения класса и уровня уязвимости программного обеспечения киберфизических устройств по ее текстовому описанию с применением классических методов машинного обучения / Н.Е. Романов, К.Е. Израилов // Свидетельство о регистрации программы для ЭВМ № 2022681570 от 15.11.2022.

211. Израилов, К.Е. Средство классификации уязвимостей интерфейсов транспортной инфраструктуры умного города / К.Е. Израилов, А.А. Чечулин // Свидетельство о регистрации программы для ЭВМ № 2021680235 от 08.12.2021.

212. Израилов, К.Е. Компонент классификации уязвимостей интерфейсов взаимодействия с транспортной инфраструктурой умного города / К.Е. Израилов, Л.А. Виткова, А.А. Чечулин // Свидетельство о регистрации программы для ЭВМ № 2020661231 от 18.09.2020.

213. Израилов, К.Е. Способы автоматизации поиска уязвимостей в программном обеспечении на соответствующих уровнях его разработки / В.А. Тайлаков, К.Е. Израилов // Научный аспект. - 2018. - Т. 6. - № 4. - С. 719-726.

214. Израилов, К.Е. Исследование возможностей машинного обучения для автоматического ранжирования уязвимостей по их текстовому описанию / К.Е. Израилов, А.Ю. Ярошенко // Актуальные проблемы инфотелекоммуникаций в науке и образовании (АПИНО 2023): сборник научных статей XII международной научно-технической и научно-методической конференции (Санкт-Петербург, 28 февраля - 01 марта 2023 года). - 2023. - Т. 1. - С. 586-590.

215. Израилов, К.Е. Моделирование уязвимостей в интерфейсах транспортной инфраструктуры умного города / К.Е. Израилов, П.А. Курта // Информационные технологии в управлении: материалы 15-ой мультиконференции по проблемам управления (Санкт-Петербург, 4-6 октября 2022 г.). - 2022. - С. 237-240.

216. Израилов, К.Е. Интеллектуальные методы классификаций угроз транспортной инфраструктуры умного города / К.Е. Израилов, К.Н. Жернова // Перспективные направления развития отечественных информационных технологий: материалы VI межрегиональной научно-практической конференции (Севастополь, 22-26 сентября 2020 г.). - 2020. - С. 160-161.

217. Израилов, К.Е. Классификация уязвимостей интерфейсов транспортной инфраструктуры умного города / Л.А. Виткова, К.Е. Израилов, А.А. Чечулин // Актуальные проблемы инфотелекоммуникаций в науке и образовании (АПИН0-2020): сборник научных статей IX Международной научно-технической и научно-методической конференции (Санкт-Петербург, 26-27 февраля 2020 г.). - 2020. - С. 253-258

218. Израилов, К.Е. Подход к анализу безопасности программного кода с позиции его формы и содержания / К.Е. Израилов, И.М. Татарникова // Актуальные проблемы инфотелекоммуникаций в науке и образовании (АПИН0-2019): сборник научных статей VIII Международной научно-технической и научно-методической конференции (Санкт-Петербург, 27-28 февраля 2019 г.). - 2019. - С. 462-467.

219. Скляров, Д.В. Искусство защиты и взлома информации / Д.В. Скляров / СПб.: БХВ-Петербург, 2004. - 288 с.

220. Касперски, К. Техника отладки программ без исходных текстов / К. Касперски / Санкт-Петербург : БХВ-Петербург, 2005. - 832 с.

221. Кулагин, И.И. О методах извлечения алгоритмов из бинарного кода / И.И. Кулагин, В.А. Падарян, В.А. Кошкин // Труды Института системного программирования РАН. - 2024. - Т. 36. - № 3. - С. 139-160. - DOI: 10.15514/ISPRAS-2024-36(3)-10

222. Гавшин, Д.А. Использование инструментов Ghidra для анализа файлов UEFI / Д.А. Гавшин // Вестник молодых ученых Санкт-Петербургского государственного университета технологии и дизайна. - 2021. - № 4. - С. 39-43.

223. Трошина, Е.Н. Исследование и разработка методов декомпиляции программ: дис. ... канд. физ.-мат. наук: 05.13.11 / Е.Н. Трошина / Москва, 2009. - 134 с.

224. Деревенец, Е.О. Структурный анализ в задаче декомпиляции / Е.О. Деревенец, Е.Н. Трошина // Прикладная информатика. - 2009. - № 4 (22). - С. 87-99.

225. Михайлов, А.А. Методы декомпиляции объектного кода Delphi : дис. ... канд. тех. наук: 05.13.11 / А.А. Михайлов / Иркутск, 2017. - 155 с.

226. Долгова, Е.Н. Автоматическое восстановление типов в задаче декомпиляции / Е.Н. Долгова, А.В. Чернов // Программирование. - 2009. - Т. 35. - № 2. - С. 63-80

227. Mihajlenko, K. A method for decompilation of AMD GCN Kernels to OpenCL / K. Mihajlenko, M. Lukin, A. Stankevich // Information and Control Systems. - 2021. - № 2 (111). - С. 3342

228. Xia, B. BContext2Name: Naming Functions in Stripped Binaries with Multi-Label Learning and Neural Networks / B. Xia, Y. Ge, R. Yang, J. Yin, J. Pang, C. Tang // The proceedings of IEEE 10th International Conference on Cyber Security and Cloud Computing / 2023 IEEE 9th International Conference on Edge Computing and Scalable Cloud (Xiangtan, Hunan, China, 01-03 July 2023). - 2023. - PP. 167-172. - DOI: 10.1109/CSCloud-EdgeCom58631.2023.00037

229. Artuso, F. Deep Learning Based Binary Code Analysis : Ph.D. Program in Engineering in Computer Science / F. Artuso / Sapienza University of Rome, 2025. - 155 p.

230. Armengol-Estape, J. SLaDe: A Portable Small Language Model Decompiler for Optimized Assembly / J. Armengol-Estape, J. Woodruff, C. Cummins, M.F. O'Boyle // The proceedings of IEEE/ACM International Symposium on Code Generation and Optimization (Edinburgh, United Kingdom, 2-6 March 2024). - 2024. - PP. 67-80

231. Tan, H. LLM4Decompile: Decompiling Binary Code with Large Language Models / H. Tan, Q. Luo, J. Li, Y. Zhang // The proceedings of Conference on Empirical Methods in Natural Language Processing (USA, Miami, Florida, 12-16 November 2024). - 2024. - PP. 3473-3487

232. Zhang, X. Enhancing Function Name Prediction using Votes-Based Name Tokenization and Multi-task Learning / X. Zhang, Z. Xu, S. Yang, Z. Li, Z. Shi, L. Sun // The proceedings of ACM on Software Engineering. - Vol. 1. - No. 75. - PP. 1679-1702

233. He, J. Debin: Predicting Debug Information in Stripped Binaries / J. He, P. Ivanov, P. Tsankov, V. Raychev, M. Vechev // The proceedings of ACM SIGSAC Conference on Computer and Communications Security (Canada, Toronto, 15-19 October 2018). - 2018. P. 1667-1680

234. Shin, E.C.R. Recognizing functions in binaries with neural networks / E.C.R. Shin, D. Song, R. Moazzezi // The proceedings of 24th USENIX Conference on Security Symposium (USA, Washington, D C., 2015 August 12-14). - 2015. - PP. 611-626

235. Breuer, P.T. Decompilation: the enumeration of types and grammars / P.T. Breuer, J.P. Bowen // ACM Transactions on Programming Languages and Systems. - 1994. - Vol. 16. - Iss. 5. - PP. 1613-1647. DOI: 10.1145/186025.18609

236. Hamberger, P. Specification-based test case generation for C++ engineering software / P. Hamberger, C. Klammer, T. Luger, M. Moser, M. Pfeiffer, C. Piereder // The proceedings of IEEE International Conference on Software Maintenance and Evolution (Bogotá, Colombia, 01-06 October 2023). - 2023. - PP. 519-529. - DOI: 10.1109/ICSME58846.2023.00066

237. Sato, Y. Specification-based test case generation with constrained genetic programming / Y. Sato // The proceedings of 20th International conference on software quality, reliability and security companion (Macau, China, 11-14 December 2020). - 2020. - PP. 98-103. - DOI: 10.1109/QRS-C51114.2020.00027

238. Huang, C. On the usefulness of crossover in search-based test case generation / C. Huang, H. Zhou, H. Zhao, W. Cai, Z.Q. Zhou, M. Jiang // The proceedings of 29th Asia-Pacific Software Engineering Conference (Japan, 06-09 December 2022). - 2022. - PP. 417-421. - DOI: 10.1109/APSEC57359.2022.00054

239. Schwachhofer, D. Optimizing system-level test program generation via genetic programming / D. Schwachhofer, F. Angione, S. Becker, S. Wagner, M. Sauer, P. Bernardi, I. Polian // The proceedings of European test symposium (The Hague, Netherlands, 20-24 May 2024). - 2024. -PP. 1-4. - DOI: 10.1109/ETS61313.2024.10567817

240. Supaartagorn, C. Web application for automatic code generator using a structured flowchart / C. Supaartagorn // The proceedings of International conference on software engineering and service science (Beijing, China, 24-26 November 2017). - 2017. - PP. 114-117. - DOI: 10.1109/ICSESS.2017.8342876

241. Shinde, K. Template-Based code generation framework for data-driven software development / K. Shinde, Y. Sun // The proceedings of 4th Intl Conf on Applied Computing and Information Technology/3rd Intl Conf on Computational Science/Intelligence and Applied Informatics/1st Intl Conf on Big Data, Cloud Computing, Data Science & Engineering (Las Vegas, NV, USA, 12-14 December 2016). - 2016. - PP. 55-60. - DOI: 10.1109/ACIT-CSII-BCD.2016.023

242. Shimonaka, K. Identifying auto-generated code by using machine learning techniques / K. Shimonaka, S. Sumi, Y. Higo, S. Kusumoto // The proceedings of 7th International workshop on empirical software engineering in practice (Osaka, Japan, 13 March 2016). - 2016. - PP. 18-23. - DOI: 10.1109/IWESEP.2016.18

243. Igwe, K. Automatic programming using genetic programming / K. Igwe, N. Pillay // The proceedings of 3rd World congress on information and communication technologies (Hanoi, Vietnam, 15-18 December 2013). - 2013. - PP. 337-342. - DOI: 10.1109/WICT.2013.7113158

244. Бирюков, Д. Н., Дудкин А. С., Захаров О.О. Способ тестирования средств защиты информации на основе применения многовариантной генерации исходного кода по заданной функциональной спецификации / Д. Бирюков // Труды Военно-космической академии имени А.Ф. Можайского. - 2022. - № 684. - С. 113-122.

245. Самохвалов, Э. Н., Ревунков Г. И., Гапанюк Ю.Е. Генерация исходного кода программного обеспечения на основе многоуровневого набора правил / Э. Самохвалов // Вестник Московского государственного технического университета им. Н.Э. Баумана. Серия: Приборостроение. - 2014. - № 5(98). - С. 77-87.

246. Соколов, А. П., Макаренков В. М., Першин А. Ю., Лаишевский И.А. Разработка программного обеспечения генерации кода на основе шаблонов при создании систем инженерного анализа / А. Соколов // Программная инженерия, 2019. - Т. 10. - № 9-10. - С. 400416. - DOI: 10.17587/prin.10.400-416

247. Довгаль, В. М., Корольков О. Ф., Чаплыгин А. А., Королькова В.О. К вопросу решения проблемы автоматической генерации кода программ по заданному управляющему продукционному алгоритму / В. Довгаль // В мире научных открытий. - 2012. - № 1(25). - С. 220235.

248. Андрианова, А. А., Ицыксон В.М. Технология анализа исходного кода программного обеспечения и частичных спецификаций для автоматизированной генерации тестов / А. Андрианова // Системы и средства информатики. - 2014. - Т. 24. - № 2. - С. 99-113. - DOI: 10.14357/08696527140207

249. Саух, А. М., Хмельнов А.Е. Трансляция фрагментов исходных текстов программ с использованием спецификаций синтаксиса и семантики языков программирования / А. Саух // Вестник Новосибирского государственного университета. Серия: Информационные технологии.

- 2013. - Т. 11. - № 3. - С. 53-62.

250. Haq, I.U. Survey of binary code similarity / I.U. Haq, J.A. Caballero // ACM computing surveys. - 2021. - Vol. 54. - No. 3. - 38 p. - DOI: 10.1145/3446371

251. Савченко, А. А., Минеева Т.А. Язык программирования ассемблер. Разница низкоуровневых и высокоуровневых языков / А. Савченко // Тенденции развития науки и образования. - 2022. - № 92-10. - С. 131-135. - DOI: 10.18411/trnio-12-2022-502

252. Нечесов, А.В. Некоторые вопросы полиномиально вычислимых представлений для порождающих грамматик и форм Бэкуса-Наура / А.В. Нечесов // Математические труды. - 2022.

- Т. 25. - № 1. - С. 134-151. - DOI: 10.33048/mattrudy.2022.25.106

253. Рязанов, Ю. Д., Назин С.В. Построение синтаксических анализаторов на основе синтаксических диаграмм с многовходовыми компонентами / Ю. Рязанов // Прикладная дискретная математика. - 2022. - № 55. - С. 102-119. - DOI: 10.17223/20710410/55/8

254. Третьяк, А. В., Третьяк Е. В., Верещагина Е.А. Разработка когнитивно-эргономического синтаксиса для нового аппаратно-ориентированного языка программирования / А. Третьяк // Современная наука: актуальные проблемы теории и практики. Серия: Естественные и технические науки. - 2020. - № 7. - С. 145-153. - DOI: 10.37882/22232966.2020.07.33

255. Костенко, М.С. Применение эффективных методов обхода графа (поиск в глубину, поиск в ширину) при решении задач второго этапа республиканской олимпиады по учебному предмету «Информатика» / М.С. Костенко, В.В. Цицарева // Современное образование Витебщины. - 2024. - № 2(44). - С. 24-26.

256. Израилов, К.Е. Концепция генетической деэволюции представлений программы. Часть 1 / К.Е. Израилов // Вопросы кибербезопасности. - 2024. - № 1(59). - С. 61-66. - DOI: 10.21681/2311-3456-2024-1-61-66

257. Фомин, А.И. Инженерный анализ наличия программных закладок в программном обеспечении при отсутствии исходных кодов / А.И. Фомин, Д.А. Хапилина, И.А. Горлищев, К.В. Олимпиенко // Научная мысль. - 2019. - Т. 7. - № 1 (31). - С. 123-126.

258. Израилов, К.Е. Применение генетических алгоритмов для декомпиляции машинного кода / К.Е. Израилов // Защита информации. Инсайд. - 2020. - № 3(93). - С. 24-30.

259. Князева, М.Д. Алгоритмика: от алгоритма к программе: учебное пособие / М.Д. Князева / Москва: Кудиц-образ, 2006. - 192 с.

260. Гончаренко, В.А. Генетический алгоритм выбора оптимальной конфигурации RAID-массивов системы хранения данных предприятия / В.А. Гончаренко, А.Д. Хомоненко, Х.Р. Абу // Ученые записки Комсомольского-на-Амуре государственного технического университета. -2025. - № 1 (81). - С. 50-60.

261. Саколик, А. ChatGPT и разработка программного обеспечения / А. Саколик // БИТ. Бизнес & Информационные технологии. - 2023. - № 2 (125). - С. 38-41.

262. Ebert, C. Generative AI for Software Practitioners / C. Ebert, P. Louridas // IEEE Software. - 2023. - Vol. 40. - No. 4. - PP. 30-38. - DOI: 10.1109/MS.2023.3265877

263. Маркин, Д.О. Система защиты терминальных программ от анализа на основе виртуализации исполняемого кода / Д.О. Маркин, С.М. Макеев // Вопросы кибербезопасности. -2020. - № 1 (35). - С. 29-41. - DOI: 10.21681/2311-3456-2020-01-29-41

264. Израилов, К.Е. Концепция генетической деэволюции представлений программы. Часть 2 / К.Е. Израилов // Вопросы кибербезопасности. - 2024. - № 2(60). - С. 81-86. - DOI: 10.21681/2311-3456-2024-2-81-86

265. Федорченко, Л.Н. О построении систем со сложным поведением на принципах синтаксически ориентированного управления / Л.Н. Федорченко, И.В. Афанасьева // Вестник Бурятского государственного университета. Математика, информатика. - 2020. - № 2. - С. 15-35.

- DOI: 10.18101/2304-5728-2020-2-15-35

266. Миронов, С.В. Библиотека для разработки компиляторов / С.В. Миронов, И.А. Батраева, П.Д. Дунаев // Труды Института системного программирования РАН. - 2022. - Т. 34. -№ 5. - С. 77-88. - DOI: 10.15514/ISPRAS-2022-34(5)-5

267. Грибков, Н.А. Анализ восстановленного программного кода с использованием абстрактных синтаксических деревьев / Н.А. Грибков, Т.Д. Овасапян, Д.А. Москвин // Проблемы информационной безопасности. Компьютерные системы. - 2023. - № 2 (54). - С. 47-60. - DOI: 10.48612/jisp/ruar-u6he-kmd4

268. Борисов, П.Д. Способ оценки похожести программ методами машинного обучения / П.Д. Борисов, Ю.В. Косолапов // Труды Института системного программирования РАН. - 2022.

- Т. 34. - № 5. - С. 63-76. - DOI: 10.15514/ISPRAS-2022-34(5)-4

269. Безгачев, Ф.В. Эффективная реализация инициализации и мутации в генетическом алгоритме псевдо-булевой оптимизации / Ф.В. Безгачев, П.В. Галушин, Е.Н. Рудакова // E-Scio.

- 2020. - № 4 (43). - С. 224-231.

270. Федоров, Е.А. Исследование скорости работы генетического алгоритма и алгоритма полного перебора / Е.А. Федоров // Сборник избранных статей научной сессии ТУСУР. - 2019. -№ 1-2. - С. 107-109.

271. Израилов К.Е. Комплекс методов генетической деэволюции представлений программы // Вопросы кибербезопасности. 2025. № 4(68). С. 93-106. DOI: 10.21681/2311-34562025-4-93-106

272. Израилов, К.Е. Концепция генетической декомпиляции машинного кода телекоммуникационных устройств / К.Е. Израилов // Труды учебных заведений связи. - 2021. -Т. 7. - № 4. - С. 10-17. DOI: 10.31854/1813-324X-2021-7-4-95-109

273. Израилов, К.Е. Обнаружение вторжений на основе федеративного обучения: архитектура системы и эксперименты / Е.С. Новикова, И.В. Котенко, А.В. Мелешко, К.Е. Израилов // Вопросы кибербезопасности. - 2023. - № 6(58). - С. 50-66. - DOI: 10.21681/23113456-2023-6-50-66

274. Израилов, К.Е. Метод обнаружения атак различного генеза на сложные объекты на основе информации состояния. Часть 1. Предпосылки и схема / К.Е. Израилов, М.В. Буйневич //

275. Израилов, К.Е. Метод обнаружения атак различного генеза на сложные объекты на основе информации состояния. Часть 2. Алгоритм, модель и эксперимент / К.Е. Израилов, М.В. Буйневич // Вопросы кибербезопасности. - 2023. - № 4(56). - С. 80-93. - DOI: 10.21681/23113456-2023-4-80-93

276. Израилов, К.Е. Обобщенная модель защиты от кибератак на VoIP / К.Е. Израилов,

A.К. Макарова, А.В. Шестаков // Вопросы кибербезопасности. - 2023. - № 2(54). - С. 109-121. -DOI: 10.21681/2311-3456-2023-2-109-121

277. Израилов, К.Е. Оценивание и прогнозирование состояния сложных объектов: применение для информационной безопасности / К.Е. Израилов, М.В. Буйневич, И.В. Котенко,

B.А. Десницкий // Вопросы кибербезопасности. - 2022. - № 6(52). - С. 2-21. DOI: 10.21681/23113456-2022-6-2-21.

278. Израилов, К.Е. Игровые обучающие системы по кибербезопасности: обзор и критериальное сравнение / М.В. Буйневич, К.Е. Израилов, А.А. Кривенко // Вестник Санкт-Петербургского государственного университета технологии и дизайна. Серия 1: Естественные и технические науки. - 2021. - № 4. - С. 5-13.

279. Израилов, К.Е. Визуализация информационного обмена в условиях концепции Industry 4.0 / Ю.Н. Волщуков, М.Ю. Волщуков, К.Е. Израилов, А.В. Романенко // Автоматизация в промышленности. - 2020. - № 8. - С. 23-29.

280. Izrailov, K. Investigation of the method of determination of password resistance to brute force based on an artificial neural network / K. Izrailov, P. Zhukovskaya, P. Kurta, A. Chechulin // Journal of Physics: Conference Series. - 2021. - Vol. 1864. - Iss. 1. - PP. 012123.

281. Izrailov, K. Reengineering modern industrial software to find vulnerabilities based on genetic algorithms / K. Izrailov, I. Kotenko, M. Buinevich // International Conference on Industrial Engineering, Applications and Manufacturing (Sochi, the Russian Federation, 12-16 May 2025). - 2025. - PP. 918-923. - DOI: 10.1109/ICIEAM65163.2025.11028410

282. Izrailov, K. The Concept of Genetic Reverse-Engineering to Restore the Program's Source Code from a Binary Code: Theory and Applying Practice / K. Izrailov, I. Kotenko // The proceedings of 17th International Conference on COMmunication Systems & NETworkS (Bengaluru, India, 06-10 January 2025). - 2025. - PP. 1023-1026. - DOI: 10.1109/COMSNETS63942.2025.10885658

283. Израилов, К.Е. Обнаружение атак на основе анализа аномальных состояний и переходов графовой модели киберфизической системы / В.А. Десницкий, К.Е. Израилов, Д.А. Левшун, А.В. Мелешко // Свидетельство о регистрации программы для ЭВМ № 2024668525 от 07.08.2024.

284. Израилов, К.Е. Программный компонент обнаружения атак на основе графо-ориентированного моделирования / В.А. Десницкий, К.Е. Израилов, И.В. Котенко, Д.А. Левшун, А.В. Мелешко // Свидетельство о регистрации программы для ЭВМ № 2023684009 от 13.11.2023.

285. Израилов, К.Е. Программа для графовой визуализации последовательности одношагоных сетевых атак нарушителя в режиме реального времени / К.Е. Израилов, П.А. Курта // Свидетельство о регистрации программы для ЭВМ № 2020662669 от 16.10.2020.

286. Израилов, К.Е. Компонент аналитического моделирования многошаговых сетевых атак на основе конечного автомата / К.Е. Израилов, И.В. Котенко, И.Б. Саенко // Свидетельство о регистрации программы для ЭВМ № 2020660519 от 04.09.2020.

287. Израилов, К.Е. Программа для оценки сложности пароля пользователя по результатам опроса на базе искусственной нейронной сети / К.Е. Израилов, П.Е. Жуковская // Свидетельство о регистрации программы для ЭВМ № 2020662417 от 13.10.2020.

288. Израилов, К.Е. Подход к выявлению последовательности одноцелевых сетевых атак с визуализацией их прогресса эксперту / К.Е. Израилов, А.И. Обрезков, П.А. Курта // Методы и технические средства обеспечения безопасности информации. - 2020. - № 29. - С. 68-69.

289. Израилов, К.Е. Применение генетического алгоритма для реверс-инжиниринга машинного кода / К.Е. Израилов, Н.Е. Романов // Актуальные проблемы инфотелекоммуникаций в науке и образовании (АПИНО 2022): сборник научных статей XI международной научно-технической и научно-методической конференции (Санкт-Петербург, 15-16 февраля 2022 г.). -2022. - Т. 2. - С. 239-243.

290. Израилов, К.Е. Исследование способа определения стойкости пароля к перебору на базе искусственной нейронной сети / К.Е. Израилов, П.Е. Жуковская, П.А. Курта, А.А. Чечулин // Информационные технологии в управлении: материалы 13-ой мультиконференции по проблемам управления (Санкт-Петербург, 6-8 октября 2020 г.). - 2020. - С. 273-276.

291. Essalmi, F. Graphical UML View from Extended Backus-Naur Form Grammars / F. Essalmi, L.J.B. Ayed // The proceedings of Sixth IEEE International Conference on Advanced Learning Technologies (Kerkrade, Netherlands, 05-07 July 2006). 2006, PP. 544-546. DOU: 10.1109/ICALT.2006.1652498

292. Израилов, К.Е. Прогнозирование размера исходного кода бинарной программы в интересах ее интеллектуального реверс-инжиниринга / К.Е. Израилов // Вопросы кибербезопасности. - 2024. - № 4(62). - С. 13-25. - DOI: 10.21681/2311-3456-2024-4-13-25

293. Armengol-Estapé, J. Woodruff J, Brauckmann A., Magalhäes J.W. de S., O'Boyle M.F.P. ExeBench: an ML-scale dataset of executable C functions / J. Armengol-Estapé // The proceedings of 6th ACM SIGPLAN International Symposium on Machine Programming New York, NY, USA, 13 June 2022). - 2022. - PP. 50-59. DOI:10.1145/3520312.353486

294. Израилов, К.Е. Исследование распределения константных значений в исходном коде программ на языке C / К.Е. Израилов // Труды учебных заведений связи. - 2024. - Т. 10. - № 5. C. 119-129. - DOI: 10.31854/1813-324X-2024-10-5-118-128

295. Коновалов, Г.Г. Измерение качества чистого кода: метрики и инструменты анализа / Г.Г. Коновалов // Тенденции развития науки и образования. - 2023. - № 102-5. - С. 25-28. - DOI: 10.18411/tmio-10-2023-244

296. Хлыстов, И.С. Генетическое программирование / И.С. Хлыстов, О.Ю. Жарова // Электронный журнал: наука, техника и образование. - 2016. - № 4(9). - С. 62-67.

297. Кучерова, С.В. Закон Ципфа и его приложения в области лингвистики / С.В. Кучерова // Некоторые вопросы анализа, алгебры, геометрии и математического образования. - 2020. - № 10. - С. 107-108.

298. Leonov, N. Top-20 Weakest from Cybersecurity Elements of the Industry Production and Technology Platform 4.0 Information Systems / N. Leonov, M. Buinevich, A. Chechulin // Proceedings of the International Russian Smart Industry Conference (SmartIndustryCon, Sochi, Russian, 25-29 March 2024). 2024. - PP. 668-675. - DOI: 10.1109/SmartIndustryCon61328.2024.10515678

299. Фомин, А.И. Оценка сложности исследования дизассемблированного кода исполняемых программ / А.И. Фомин // Естественные и технические науки. - 2021. - № 7(158). -С. 210-211.

300. Ормонова, Э.М. Определение качества программного продукта на основе теории графов / Э.М. Ормонова // Наука. Образование. Техника. - 2021. - № 1(70). - С. 37-44.

301. Самарин, Н. Н. Метод оценки достижимости фрагментов программного кода с применением символьного исполнения / Н.Н. Самарин, О.И. Шелухин // Наукоемкие технологии в космических исследованиях Земли. - 2024. - Т. 16, № 4. - С. 33-40. - DOI 10.36724/2409-54192024-16-4-33-40.

302. Королев, В.Ю. Об оценивании частоты выполнения фрагментов кода последовательной программы / В.Ю. Королев, Р.Л. Смелянский, Т.Р. Смелянский, А.В. Шалимов // Известия Российской академии наук. Теория и системы управления. - 2015. - № 4. - С. 39. -DOI: 10.7868/S0002338815040095

303. Toomey, W. Ctcompare: Code clone detection using hashed token sequences / W. Toomey // Proceedings of the 6th International Workshop on Software Clones (IWSC, Zurich, Switzerland, 04 June 2012). 2012. - PP. 92-93. - DOI: 10.1109/IWSC.2012.6227881

304. Samuelsson, C. Comparative evaluation of the stochastic simplex bisection algorithm and the SciPy.Optimize module / C. Samuelsson // Proceedings of the Federated Conference on Computer Science and Information Systems (FedCSIS, Lodz, Poland, 13-16 September 2015). 2015. - PP. 573578. - DOI: 10.15439/2015F47

305. Аникин, И.В. Реверсивный анализ вредоносного программного обеспечения Raccoon Stealer / И.В. Аникин, Я.М. Исяндавлетова // Инженерный вестник Дона. - 2023. - № 4 (100). C 238-251.

306. Израилов, К.Е. Авторская метрика оценки близости программ: приложение для поиска уязвимостей с помощью генетической деэволюции / М.В. Буйневич, К.Е. Израилов // Программные продукты и системы. - 2025. - Т. 38. - № 1. - С. 89-99. - DOI: 10.15827/0236-235X.149.089-099

307. Аешин, И.Т. Реверс-инжиниринг программного продукта с использованием IDA Pro / И.Т. Аешин // Актуальные проблемы авиации и космонавтики. - 2018. - Т. 3. - № 4 (14). - С. 808809.

308. Воробьев, А.М. Анализ функциональных возможностей Ghidra - фреймворка для реверс-инжиниринга / А.М. Воробьев, А.С. Боцвин, Д.В. Нагибин // Методы и технические средства обеспечения безопасности информации. - 2019. - № 28. - С. 86-88.

309. Николаенко, В.С. Сравнительный анализ обратной разработки проприетарных программ в зависимости от алгоритмического языка программирования / В.С. Николаенко // Вестник студенческого научного общества ГОУ ВПО «Донецкий национальный университет». -2022. - Т. 1. - № 14. - С. 189-192.

310. Бугеря, А.Б. Программный комплекс для выявления недекларированных возможностей в условиях отсутствия исходного кода / А.Б. Бугеря, В.Ю. Ефимов, И.И. Кулагин, В.А. Падарян, М.А. Соловьев, А.Ю. Тихонов // Труды Института системного программирования РАН. - 2019. - Т. 31. - № 6.С. 33-64. - DOI: 10.15514/ISPRAS-2019-31(6)-3

311. Израилов, К.Е. Архитектура программной платформы преобразования машинного кода в высокоуровневое представление для экспертного поиска уязвимостей / К.Е. Израилов, В.В. Покусов // Электронный сетевой политематический журнал «Научные труды КубГТУ». -2021. - № 6. - С. 93-111.

312. Голубева, Т.В. Исследование архитектуры прототипов средств для автоматического поиска уязвимостей в устройствах IOT и M2M / Т.В. Голубева, В.А. Тайлаков, К.Д. Василенко, Е.А. Якубова // Вестник Алматинского университета энергетики и связи. - 2022. - № 2 (57). - С. 122-134. - DOI: 10.51775/2790-0886_2022_57_2_122

313. Urooj, B. Malware Detection: A Framework for Reverse Engineered Android Applications Through Machine Learning Algorithms / B. Urooj, M.A. Shah, C. Maple, M.K. Abbasi, S. Riasat // IEEE Access. - 2022. - Vol. 10. - PP. 89031-89050 2022. - DOI: 10.1109/ACCESS.2022.3149053

314. Mauthe, N. A Large-Scale Empirical Study of Android App Decompilation / N. Mauthe, U. Kargen, N. Shahmehri // The proceedings of IEEE International Conference on Software Analysis,

Evolution and Reengineering (Honolulu, HI, USA, 09-12 March 2021). - 2021. - PP. 400-410. - DOI: 10.1109/SANER50967.2021.00044

315. Aliefa, M.H. Variable-Length Chromosome for Optimizing the Structure of Recurrent Neural Network / M.H. Aliefa, S. Suyanto // The proceedings of International Conference on Data Science and Its Applications (Bandung, Indonesia, 05-06 August 2020). - 2020. - PP. 1-5. - DOI: 10.1109/ICoDSA50139.2020.9213012

316. Израилов, К.Е. Метод обнаружения дубликатов исходного кода на основе алгоритма случайного блуждания / А.В. Яковлев, К.Е. Израилов, Е.В. Таров, А.А. Чечулин // Научно-аналитический журнал «Вестник Санкт-Петербургского университета Государственной противопожарной службы МЧС России». - 2023. - № 2. - С. 143-155.

317. Izrailov, K. The Method and Software Tool for Identification of the Machine Code Architecture in Cyberphysical Devices / I. Kotenko, K. Izrailov, M. Buinevich // Journal of Sensor and Actuator Networks. - 2023. - Vol. 12. - Iss. 1. - PP. 11. - DOI: 10.3390/jsan12010011

318. Izrailov, K. Analytical Modeling for Identification of the Machine Code Architecture of Cyberphysical Devices in Smart Homes / I. Kotenko, K. Izrailov, M. Buinevich // Sensors. - 2022. -Vol. 22. - Iss. 3. - PP. 1017. - DOI: 10.3390/s22031017

319. Izrailov, K. Investigating the Proximity Metric of Program Assembler Code for Genetic Reverse Engineering / K. Izrailov, I. Kotenko // The proceedings of 33rd Euromicro International Conference on Parallel, Distributed, and Network-Based Processing (Turin, Italy, 12-14 March 2025). - 2025. - PP. 600-607. - DOI: 10.1109/PDP66500.2025.00090

320. Izrailov, K. GREMC: Genetic Reverse-Engineering of Machine Code to Search Vulnerabilities in Software for Industry 4.0. Predicting the Size of the Decompiling Source Code / K. Izrailov // The proceedings of International Russian Smart Industry Conference (Sochi, Russian Federation, 25-29 March 2024). - 2024. - PP. 622-628. - DOI: 10.1109/SmartIndustryCon61328.2024.10515515

321. Израилов, К.Е. Программный инструментарий для проведения генетической декомпиляции представлений программы: свидетельство о государственной регистрации программы для ЭВМ / К.Е. Израилов / рег. № 2025684964 от 18.09.2025.

322. Израилов, К.Е. Обзор существующих методов обнаружения дубликатов исходного кода / А.В. Яковлев, К.Е. Израилов // Национальная безопасность и стратегическое планирование. - 2023. - № 1(41). - С. 86-92. - DOI: 10.37468/2307-1400-2023-1-86-92

323. Израилов, К.Е. Обзор атак на Искусственный интеллект: мониторинг информационной безопасности больших данных / К.Е. Израилов, В.Е. Мишин, А.В. Шестаков // Пожарная безопасность: современные вызовы. Проблемы и пути решения: материалы

Всероссийской научно-практической конференции (Санкт-Петербург, 18 апреля 2024 года). -2024. - С. 22-28.

324. Израилов, К.Е. Статистический анализ публикационной активности ученых по различным областям информационной безопасности / Л.Р. Елизарова, К.Е. Израилов // Актуальные проблемы инфотелекоммуникаций в науке и образовании (АПИНО 2023): сборник научных статей XII международной научно-технической и научно-методической конференции (Санкт-Петербург, 28 февраля - 01 марта 2023 года). - 2023. - Т. 1. - С. 475-479.

325. Израилов, К.Е. Архитектура системы для проведения генетической реинжиниринга программы с целью поиска разноуровневых уязвимостей / К.Е. Израилов // Вопросы кибербезопасности. - 2025. - № 1(65). - С. 108-116. - DOI: 10.21681/2311-3456-2025-1-108-116

326. Jiang, W. M., Zhuge Q., Yang L., Dong H., Chen X. On the Design of Minimal-Cost Pipeline Systems Satisfying Hard/Soft Real-Time Constraints / W. Jiang, E.H. Sha // IEEE Transactions on Emerging Topics in Computing. - Vol. 9. - No. 1. - PP. 24-34. - DOI: 10.1109/TETC.2017.2788800

327. Леонов, Н.В. Машинное обучение vs поиск уязвимостей в программном обеспечении: анализ применимости и синтез концептуальной системы / Н.В. Леонов, М.В. Буйневич // Труды учебных заведений связи. - 2023. - Т. 9. - № 6. - С. 83-94. - DOI: 10.31854/1813-324X-2023-9-6-83-94

328. Кубрин, Г.С. Поиск уязвимостей программного обеспечения с применением ансабля алгоритмов анализа графов / Г.С. Кубрин, Д.П. Зегжда // Методы и технические средства обеспечения безопасности информации. - 2023. - № 32. - С. 49-50.

329. Гетьман, А.И. Сравнение системы обнаружения вторжений на основе машинного обучения с сигнатурными средствами защиты информации / А.И. Гетьман, М.Н. Горюнов, А.Г. Мацкевич, Д.А. Рыболовлев // Труды Института системного программирования РАН. - 2022. -Т. 34. - № 5. - С. 111-126. - DOI: 10.15514/ISPRAS-2022-34(5)-7

330. Аникин, И.В. Выявление вредоносного программного обеспечения с помощью деревьев решений / И.В. Аникин, Ш.К. Хумайдан // Поиск эффективных решений в процессе создания и реализации научных разработок в российской авиационной и ракетно-космической промышленности: международная научно-практическая конференция (Казань, 05-08 августа 2014 года). - 2014. - С. 353-355.

331. Самарин, Н.Н. Метод поиска ошибок в программном коде на базе фаззинга «в памяти» / Н.Н. Самарин // Проблемы информационной безопасности. Компьютерные системы. - 2024. -№ 2 (59). - С. 130-137. - DOI: 10.48612/jisp/39tp-t61k-29uv

332. Войцеховский, С.В. Выявление вредоносных программных воздействий на основе нечеткого вывода / С.В. Войцеховский, А.Д. Хомоненко // Проблемы информационной безопасности. Компьютерные системы. - 2011. - № 3. - С. 81-91.

333. Довгалюк, П.М. Natch: определение поверхности атаки программ с помощью отслеживания помеченных данных и интроспекции виртуальных машин / П.М. Довгалюк, М.А. Климушенкова, Н.И. Фурсова, В.М. Степанов, И.А. Васильев, А.А. Иванов, А.В. Иванов, М.Г. Бакулин, Д.И. Егоров // Труды Института системного программирования РАН. - 2022. - Т. 34. -№ 5. - С. 89-110. - DOI: 10.15514/ISPRAS-2022-34(5)-6

334. Израилов, К.Е. Сигнатурный поиск уязвимостей в машинном коде на базе генетической декомпиляции / М.В. Буйневич, К.Е. Израилов // Защита информации. Инсайд. -2025. №2(122). C. 8-17

335. Kim, J. Revisiting Lightweight Compiler Provenance Recovery on ARM Binaries / J. Kim, D. Genkin, K. Leach // The proceedings of IEEE/ACM 31st International Conference on Program Comprehension (Melbourne, Australia, 15-16 May 2023). - 2023. - PP. 292-303. - DOI: 10.1109/ICPC58990.2023.00044

336. Otsubo, Y. Compiler Provenance Recovery for Multi-CPU Architectures Using a Centrifuge Mechanism / Y. Otsubo, A. Otsuka, M. Mimura // IEEE Access. - 2024. - Vol. 12. - PP. 34477-34488. - DOI: 10.1109/ACCESS.2024.3371499

337. Киргизбаев, С.П. Применение сканеров уязвимостей для обнаружения потенциальных угроз информации в корпоративной сети и анализа ее защищенности / С.П. Киргизбаев, В.П. Киргизбаев, А.А. Бутин // Информационные технологии и математическое моделирование в управлении сложными системами. - 2023. - № 4 (20). - С. 17-31.

338. Ашуров, А.Я. Реализация переполнения стекового буфера программ и методы противодействия уязвимости / А.Я. Ашуров // Системы синхронизации, формирования и обработки сигналов. - 2023. - Т. 14. - № 1. - С. 10-17.

339. Chi, J. SeqTrans: Automatic Vulnerability Fix Via Sequence to Sequence Learning / J. Chi, Y. Qu, T. Liu, Q. Zheng, H. Yin // IEEE Transactions on Software Engineering. - 2023. - Vol. 49. -No. 2. - PP. 564-585. - DOI: 10.1109/TSE.2022.3156637

340. Zhu, T. An Empirical Study of Automatic Program Repair Techniques for Injection Vulnerabilities / T. Zhu, T. Xu, K. Liu, J. Zhou, X. Hu, X. Xia, T. Zhang, D. Lo // The proceedings of IEEE International Conference on Software Maintenance and Evolution (Flagstaff, AZ, USA, 06-11 October 2024). - 2024. - PP. 25-37. - DOI: 10.1109/ICSME58944.2024.00014

341. Стецко, А.С. Выбор входного языка для графической среды программирования / А.С. Стецко, В.А. Гойник, В.В. Набиуллин // Электронные средства и системы управления: материалы докладов Международной научно-практической конференции. - 2021. - № 1-2. - С. 97-99

342. Израилов, К.Е. Генетический реверс-инжиниринг программ для поиска уязвимостей / К.Е. Израилов // Научно-аналитический журнал «Вестник Санкт-Петербургского университета

Государственной противопожарной службы МЧС России». - 2025. - № 1. C. 109-119. - DOI: 10.61260/2218-130X-2025-1-109-119

343. Израилов, К.Е. Проблемные вопросы генетической деэволюции представлений программы для поиска в них уязвимостей и рекомендации по их разрешению / К.Е. Израилов // Труды учебных заведений связи. - 2025. - Т. 11. - № 1. C. 84-98. - DOI: 10.31854/1813-324X-2025-11-1-84-98

344. Израилов, К.Е. Разработка предложений по применению научно-технического инструментария для обеспечения кибербезопасности объектов энергетического сектора / К.Е. Израилов, Д.А. Левшун, И.Ю. Зеличенок // Научно-аналитический журнал «Вестник Санкт-Петербургского университета Государственной противопожарной службы МЧС России». - 2024. - № 4. - С. 103-119. - DOI: 10.61260/2218-13Х-2024-4-103-119

345. Израилов, К.Е. Система поддержки интеллектуального программирования: машинное обучение feat. быстрая разработка безопасных программ / Н.Е. Романов, К.Е. Израилов, В.В. Покусов // Информатизация и связь. - 2021. - № 5. - С. 7-17. - DOI: 10.34219/2078-8320-2021-125-7-16

346. Izrailov, K. An approach for stego-insider detection based on a hybrid NoSQL database / I. Kotenko, A. Krasov, I. Ushakov, K. Izrailov // Journal of Sensor and Actuator Networks. - 2021. - Vol. 10. - PP. 25. - DOI: 10.3390/j san10020025

347. Izrailov, K. Detection of stego-insiders in corporate networks based on a hybrid NoSQL database model / M. Buinevich, K. Izrailov, I. Kotenko, I. Ushakov, D. Vlasov // The proceedings of 4th International Conference on Future Networks and Distributed Systems (New York, USA, 26-27 November 2020). - Iss. 26. - PP. 1-6. - DOI: 10.1145/3440749.3442612

348. Izrailov, K. Approach to combining different methods for detecting insiders / I. Kotenko, A. Krasov, I. Ushakov, K. Izrailov // The proceedings of 4th International Conference on Future Networks and Distributed Systems (New York, USA, 26-27 November 2020). - Iss. 26. - PP. 1-6. - DOI: 10.1145/3440749.3442619

349. Израилов, К.Е. Программа для визуализации динамического изменения графов, заданных в формате Dot, в режиме реального времени / К.Е. Израилов, М.В. Буйневич, А.В. Красов, С.В. Хорошенко // Свидетельство о государственной регистрации программы для ЭВМ № 2019667695 от 17.12.2019.

350. Израилов, К.Е. Применение машинного обучения для поиска уязвимостей в программном коде / М.В. Буйневич, П.Е. Жуковская, К.Е. Израилов, В.В. Покусов // Информационные технологии и телекоммуникации. - 2019. - Т. 7. - № 4. - С. 59-65.

351. Израилов, К.Е. К вопросу о необходимости построения динамических интерфейсов / П.А. Курта, К.Е. Израилов // Региональная информатика «РИ-2024»: материалы XIX Санкт-

Петербургской международной конференции (Санкт-Петербург, 23-25 октября 2024 г.). - 2024. -С.118-119.

352. Израилов, К.Е. Подход к выявлению уязвимостей, встраиваемых в машинный код / К.Е. Израилов // Региональная информатика «РИ-2024»: материалы XIX Санкт-Петербургской международной конференции (Санкт-Петербург, 23-25 октября 2024 г.). - 2024. - С. 110-111.

353. Израилов, К.Е. Совершенствование интерфейсов специализированных мобильных приложений МЧС России / К.Е. Израилов // материалы Международной конференции «Транспорт России: проблемы и перспективы - 2021» (Санкт-Петербург, 9-10 ноября 2021 г.). -2021. - С. 82-88.

354. Израилов, К.Е. Применение искусственного интеллекта и методов машинного обучения для поиска уязвимостей исходного кода / К.Е. Израилов, С.А. Кузнецов // Актуальные проблемы инфотелекоммуникаций в науке и образовании (АПИН0-2020): сборник научных статей IX Международной научно-технической и научно-методической конференции (Санкт-Петербург, 26-27 февраля 2020 г.). - 2020. - С. 361-366.

355. Афанасьев, В.О. Статический анализатор для языков с обработкой исключений / В.О. Афанасьев, В.В. Дворцова, А.Е. Бородин // Труды Института системного программирования РАН. - 2022. - Т. 34. - № 6. - С. 7-28. - DOI: 10.15514/ISPRAS-2022-34(6)-1

356. Цыганков, В.А. Исследование воздействия размера популяции на быстродействие генетического алгоритма / В.А. Цыганков, О.А. Шабалина, А.В. Катаев // Известия ЮФУ. Технические науки. - 2024. - № 3 (239). - С. 168-176. - DOI: 10.18522/2311-3103-2024-3-168-176

357. Петросов, Д.А. Анализ и выбор методов представления характеристик состояния популяции генетического алгоритма / Д.А. Петросов // Оригинальные исследования. - 2023. - Т. 13. - № 10. - С. 235-239.

358. Микулик, И.И. Разработка и исследование методов локальной интерпретации сиамской нейронной сети на основе объяснительного интеллекта / И.И. Микулик, Л.В. Уткин, И.Э. Голубева // Математические методы в технике и технологиях - ММТТ. - 2020. - Т. 10. - С. 88-91.

359. Силенко, Д.И. Алгоритм глобальной оптимизации, использующий деревья решений для выявления локальных экстремумов / Д.И. Силенко, И.Г. Лебедев // Проблемы информатики. - 2023. - № 2(59). - С. 21-33. - DOI: 10.24412/2073-0667-2023-2-21-33

360. Пырнова, О.А. Разработка статического анализатора программного кода / О.А. Пырнова, Д.П. Никоноров, А.Ю. Шарифуллина // Научно-технический вестник Поволжья. -2023. - № 12. - С. 522-525.

361. Hu, W. Adjust ELF Format for Multi-core Architecture / W. Hu, T. Chen, N. Zhang, J. Ma // Proceedings of the International Conference on Electronic Computer Technology (Macau, China, 2022 February 2009). 2009. - PP. 388-391. - DOI: 10.1109/ICECT.2009.73

362. Цыганков, ВА. Исследование воздействия размера популяции на быстродействие генетического алгоритма / ВА. Цыганков, ОА. Шабалина, A^. Катаев // Известия ЮФУ. Технические науки. - 2024. - № 3(239). - С. 168-176. - DOI: 10.18522/2311-3103-2024-3-168-176

363. Пикалов, М.В. встройка параметров генетического алгоритма при помощи анализа ландшафта функции приспособленности и машинного обучения / М.В. Пикалов, AM. Письмеров // Известия ЮФУ. Технические науки. - 2024. - № 2(238). - С. 221-228. - DOI: 10.18522/23113103-2024-2-221-228

364. Pan, Z. Identification of binary file compilation information / Z. Pan, Y. Yan, L. Yu, T. Wang // Proceedings of the IEEE 5th Advanced Information Management, Communicates, Electronic and Automation Control Conference (Chongqing, China, 16-18 December 2022). 2022. - PP. 11411150. - DOI: 10.1109/IMCEC55388.2022.10019958

365. Beckman, B. Binary Analysis with Architecture and Code Section Detection using Supervised Machine Learning / B. Beckman, J. Haile // Proceedings of the IEEE Security and Privacy Workshops (San Francisco, USA, 21-21 May 2020). 2020. - PP. 152-156. - DOI: 10.1109/SPW50608.2020.00041

366. Гусенко, М.Ю. Создание обобщенной нотации программного интерфейса процессоров x86 для автоматизированного построения дизассемблера / М.Ю. Гусенко // Программные системы и вычислительные методы. - 2024. - № 2. - С. 119-146. - DOI: 10.7256/2454-0714.2024.2.70951

367. Ding, S.H.H. Asm2Vec: Boosting Static Representation Robustness for Binary Clone Search against Code Obfuscation and Compiler Optimization / S.H.H. Ding, B.C.M. Fung, P. Charland // Proceedings of the IEEE Symposium on Security and Privacy (San Francisco, USA, 19-23 May 2019). 2019. - PP. 472-489. - DOI: 10.1109/SP.2019.00003

368. Израилов, К.Е. Цифровые технологии и проблемы информационной безопасности: монография / Т.И. Aбдyллин, В.Д. Баев, М.В. Буйневич, Д.Д. Бурзунов, ИИ Васильева, Э.Ф. Галиуллина и др. / СПб: СПГЭУ 2021. 163 с.

369. Израилов, К.Е. Принципы организации и мониторинга облачных мультисервисных систем / С.В. Мещеряков, ДА. Щемелинин, К.Е. Израилов / СПб.: СПбПУ, 2022. 165 с.

370. Смольянинова, М.О. Об основных парадигмах современного программирования / М.О. Смольянинова, ОА. Сидорова // Оригинальные исследования. - 2023. - Т. 13. - № 7. - С. 109-113.

Приводится пример листинга синтаксиса языка программирования в БНФ для простых математических выражений («x = y + z», «a = b - c» и т. п.); префикс с «:» на конце указывает номер строки с отдельным правилом, а «...» - сокращенные для компактности символы:

1: expr_asgn ::= ident, '=', expr_oper ;

2: expr_oper ::= ident, oper, ident ;