УДК 004.4'2

СРАВНЕНИЕ ПОДХОДОВ К ОЦЕНКЕ БЛИЗОСТИ АССЕМБЛЕРНЫХ ПРЕДСТАВЛЕНИЙ ПРОГРАММ

Опубликовано в Научно-аналитический журнал "Вестник Санкт-Петербургского университета ГПС МЧС России" · Номер 3, 2026 · Страницы 168–176 · Рубрика: ИНФОРМАТИКА, ВЫЧИСЛИТЕЛЬНАЯ ТЕХНИКА И УПРАВЛЕНИЕ
DOI: https://doi.org/10.61260/2218-130Х-2026-3-168-176
Получено: 20.06.2026 Одобрено: 20.07.2026 Опубликовано: 01.10.2026
Проведено сравнение двух программ, имеющих вид ассемблерного кода. Одним из актуальных направлений применения является развиваемое автором направление генетического реверс-инжиниринга, основанного на решении оптимизационной задачи по подбору конструкций исходного кода, целевая функция которой как раз и построена на результатах сравнения машинных или ассемблерных кодов. Для этого выполнен обзор и рассматривается применимость для оценки близости кодов следующих 10 подходов: текстовый, последовательностный, множественный, частотный, n-граммный, перестановочный, графовый, синтаксико-семантический, машинное обучение, динамический. Для каждого подхода описывается его основная идея, даются качественные оценки показателей эффективности, а также приводятся известные и активно применяемые методы. Производится сравнительный анализ подходов в виде сводной таблицы. В заключении указываются новизна полученных результатов, значимость и пути дальнейшего исследования.
информационная безопасность, ассемблерный код, близость, оценка, подходы, сравнение
Текст Список литературы
Текст (PDF)
Читать Скачать

1. Цифровые технологии и проблемы информационной безопасности: монография / Т.И. Абдуллин [и др.]. СПб.: СПГЭУ, 2021. 163 с.

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

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

4. Израилов К.Е. Концепция генетической декомпиляции машинного кода телекоммуникационных устройств // Труды учебных заведений связи. 2021. Т. 7. № 4. С. 95‒109. DOIhttps://doi.org/10.31854/1813-324X-2021-7-4-95-109

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

6. Татарникова Т.М., Миляев Д.Р. Практические аспекты применения расстояния Дамерау – Левенштейна в задачах классификации текста // Программные продукты и системы. 2026. № 1. С. 80–87. DOIhttps://doi.org/10.15827/0236-235X.153.080-087

7. Ярмолик В.Н., Петровская В.В., Шевченко Н.А. Меры различия, основанные на применении расстояния Хэмминга, для генерирования управляемых вероятностных тестов // Информатика. 2024. Т. 21. № 2. С. 54–72. DOIhttps://doi.org/10.37661/1816-0301-2024-21-2-54-72

8. Бурдонов И., Максимов А. Двадцать функций подобия двух конечных последовательностей // Программирование. 2023. № 5. С. 3–18. DOIhttps://doi.org/10.31857/S0132347423050035

9. Баженов А.Н., Тельнова А.Ю. Обобщение коэффициента Жаккара для анализа данных с интервальной неопределённостью // Измерительная техника. 2022. № 12. С. 15–22. DOIhttps://doi.org/10.32446/0368-1025it.2022-12-15-22

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

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

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

13. Орлов М. Модель TF-IDF: как компьютер оценивает важность слов // Системный администратор. 2026. № 1-2 (278-279). С. 56–57.

14. Яцко В.А. Эффективность применения косинусной метрики для определения смысловой близости документов // Грани познания. 2020. № 4 (69). С. 3–6.

15. Лященко Б.С. Алгоритм легковесного обнаружения схожести программного кода в системах автоматической проверки заданий // Мехатроника, автоматика и робототехника. 2026. № 17. С. 294–298. DOIhttps://doi.org/10.26160/2541-8637-2026-17-294-298

16. Разработка модифицированного метода Winnowing для агрегирования данных библиографической информации из систем цитирования в условиях неполной информации / И.П. Болодурина [и др.] // Вестник Южно-Уральского государственного университета. Сер.: Компьютерные технологии, управление, радиоэлектроника. 2020. Т. 20. № 4. С. 126–134. DOIhttps://doi.org/10.14529/ctcr200413

17. Быков Ф.Ю., Крижановский А.А. Поиск почти похожих текстов в лингвистическом корпусе Вепкар // Труды Карельского научного центра Российской академии наук. 2023. № 4. С. 16–23. DOIhttps://doi.org/10.17076/mat1773

18. Пузанов И.И. Модифицированный алгоритм Левенштейна с нейросетевым предсказанием контекстно-зависимых стоимостей замен для семантического анализа коротких текстов // Безопасность. Управление. Искусственный интеллект. 2026. Т. 2. № S2. С. 67–72.

19. Клименко О.А., Штейнберг Б.Я. Поиск точного решения задачи нескольких коммивояжеров // Электронные библиотеки. 2026. Т. 29. № 2. С. 414–427. DOIhttps://doi.org/10.26907/1562-5419-2026-29-2-414-427

20. Yang L., Zheng Q., Wang Z. C EDN: https://elibrary.ru/Approximation of Graph Edit Distance with Path Generation via Learning Node Matching // The proceedings of IEEE International Conference on Acoustics, Speech and Signal Processing. Hyderabad, 2025. P. 1–5. DOIhttps://doi.org/10.1109/ICASSP49660.2025.10887774

21. Васильчиков В.В. Рекурсивно-параллельный алгоритм поиска максимального общего подграфа // Моделирование и анализ информационных систем. 2023. Т. 30. № 2. С. 128–139. DOIhttps://doi.org/10.18255/1818-1015-2023-2-128-139

22. Comparison of Leading Language Parsers – ANTLR, JavaCC, SableCC, Tree-sitter, Yacc, Bison / A. Latif [et al.] // The proceedings of 13th International Conference on Software Technology and Engineering. Osaka, 2023. P. 7–13. DOIhttps://doi.org/10.1109/ICSTE61649.2023.00009

23. Ding S.H.H., Fung S.H.H., Charland P. Asm2Vec: Boosting Static Representation Robustness for Binary Clone Search against Code Obfuscation and Compiler Optimization // The proceedings of IEEE Symposium on Security and Privacy. San Francisco, 2019. P. 472–489. DOIhttps://doi.org/10.1109/SP.2019.00003

24. Пронина Н.М. Атрибуция архивных рукописных писем с использованием сиамских нейронных сетей // Электронные библиотеки. 2025. Т. 28. № 6. С. 1454–1480. DOIhttps://doi.org/10.26907/1562-5419-2025-28-6-1454-1480

25. Сравнительный анализ рекуррентных сетей и трансформерных моделей в предиктивном мониторинге / А.Н. Кошелев [и др.] // Инженерный вестник Дона. 2026. № 1 (133).

26. Израилов К.Е., Буйневич М.В. К вопросу о применении LLM-декомпиляции для поиска уязвимостей в коде // Современные наукоемкие технологии. 2026. № 5. С. 23–29. DOIhttps://doi.org/10.17513/snt.40771

27. Леонов Н.В., Буйневич М.В. К вопросу о применимости LLM в задачах управления уязвимостями программного обеспечения: обзор релевантных работ // Научно-аналитический журнал «Вестник Санкт-Петербургского университета Государственной противопожарной службы МЧС России». 2025. № 4. С. 82–93. DOIhttps://doi.org/10.61260/2218-130X-2025-4-82-93

28. PathFinder: статический анализатор программ на базе решения задач достижимости на графах в КС-ограничениях / Н.Н. Ефанов [и др.] // ТРУДЫ МФТИ. 2021. Т. 13. № 4 (52). С. 14–29. DOIhttps://doi.org/10.53815/20726759_2021_13_4_14

29. Еременко С.П., Сапелкин А.И., Хитов С.Б. Классификация вредоносных программ // Научно-аналитический журнал «Вестник Санкт-Петербургского университета Государственной противопожарной службы МЧС России». 2016. № 3. С. 55–61.

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

Войти или Создать
* Забыли пароль?