Метод поиска похожих последовательностей кода в исполняемых бинарных файлах… Юмаганов А.С., Мясников В.В. 756Компьютерная оптика, 2017, том 41, №5 Аннотация Работа посвящена решению задачи поиска похожих последовательностей кода в испол-няемых бинарных файлах. Предлагается метод решения, при котором промежуточное век-торное описание функции формируется на основе сравнения пространственного положения каждой из функциональных групп команд процессора данной функции и функций некото-рой «базисной» библиотеки. Размерность полученного таким образом вектора понижается, и полученное окончательное описание используется для осуществления поиска. Представ-лены результаты экспериментальных исследований, демонстрирующие работоспособность данного метода. Исследована эффективность данного метода в сравнении с некоторыми ра-нее известными методами поиска похожих последовательностей кода, даны рекомендации по выбору параметров разработанного метода. ЧИСЛЕННЫЕ МЕТОДЫ И АНАЛИЗ ДАННЫХ МЕТОД ПОИСКА ПОХОЖИХ ПОСЛЕДОВАТЕЛЬНОСТЕЙ КОДА В ИСПОЛНЯЕМЫХ БИНАРНЫХ ФАЙЛАХ С ИСПОЛЬЗОВАНИЕМ БЕСПРИЗНАКОВОГО ПОДХОДАКлючевые слова: поиск, последовательность кода, беспризнаковое распознавание. ВведениеПовторное использование кода (code reuse) часто применяется программистами в процессе создания нового программного обеспечения (ПО). Согласно исследованиям [1] около 15 % функций в програм-мах с открытым исходным кодом являются повторно использованными. Такой подход позволяет разра-ботчикам нового ПО экономить время, финансовые и трудовые ресурсы на разработке программных мо-дулей, требуемый функционал которых ранее уже был реализован другими разработчиками. Однако повторное использование кода имеет некоторые не-достатки. Во-первых, повторное использование кода может нарушать лицензионное соглашение на ис-пользование ПО. Во-вторых, велик риск переноса участка кода, содержащего уязвимость или ошибку. Решение задачи поиска похожих последовательно-стей кода может быть применено и для выявления нарушений лицензионных соглашений, и для нахождения ошибок и уязвимостей ПО, и для обна-ружения вредоносного ПО.К настоящему моменту известно большое количе-ство методов поиска похожих последовательностей кода в исполняемых файлах. Одним из наиболее из-вестных является алгоритм FLIRT (Fast Library Identification and Recognition Technology) [2], исполь-зуемый для поиска библиотечных функций в дизас-семблере IDA. Он основан на сравнении шаблонов функций, которые представляют собой первые 32 байта функции с пометкой всех изменяемых байтов. Однако данный метод не предполагает идентифика-цию модифицированных функций. Другой метод, представленный в работе [3], основан на сравнении ограниченных последовательностей команд процес-сора внутри функций (k-грамм). Данный алгоритм чувствителен к некоторым видам обфускации кода (например, к вставке «мусорных» команд) и оптими-зациям компилятора.Помимо методов поиска, основанных на анализе непосредственно ассемблерного кода, существуют также алгоритмы поиска похожих последовательно-стей кода на основе сравнения графов потока управ-...
Аннотация Точная и своевременная информация о текущем и прогнозном распределении транспортных потоков является важным фактором функционирования интеллектуальных транспортных систем. Использование этих данных позволит транспортным агентствам эффективнее решать задачу управления трафиком, участникам дорожного движения точнее планировать маршрут поездки и снизить время движения, и в целом повысит эффективность использования транспортной инфраструктуры. В данной статье представлена модель краткосрочного прогнозирования трафика, основанная на методе k ближайших соседей, которая учитывает пространственное и временное распределение транспортных потоков. Разработанная модель реализована с помощью фреймворка Apache Spark на основе модели распределённых вычислений MapReduce. Экспериментальные исследования представленной модели по данным о распределении транспортных потоков в транспортной сети города Самары позволяет сделать вывод, что предлагаемая модель обладает высокой точностью прогнозирования и временем работы, достаточным для прогнозирования в режиме реального времени. Ключевые слова: транспортный поток, краткосрочное прогнозирование, k ближайших соседей, MapReduce. Цитирование: Агафонов, А.А. Анализ больших данных в геоинформационной задаче краткосрочного прогнозирования параметров транспортного потока на базе метода k ближайших соседей / А.А.
The problem of predicting the movement of public transport is one of the most popular problems in the field of transport planning due to its practical significance. Various parametric and non-parametric models are used to solve this problem. In this paper, heterogeneous information affecting the prediction value is used to predict the arrival time of public transport, and a comparison of the main machine learning algorithms for the public transport arrival time forecasting is given: neural networks, support vector regression. An experimental analysis of the algorithms was carried out on real traffic information about bus routes in Samara, Russia.
scite is a Brooklyn-based organization that helps researchers better discover and understand research articles through Smart Citations–citations that display the context of the citation and describe whether the article provides supporting or contrasting evidence. scite is used by students and researchers from around the world and is funded in part by the National Science Foundation and the National Institute on Drug Abuse of the National Institutes of Health.
hi@scite.ai
10624 S. Eastern Ave., Ste. A-614
Henderson, NV 89052, USA
Copyright © 2024 scite LLC. All rights reserved.
Made with 💙 for researchers
Part of the Research Solutions Family.