А. А. Гладких¹, М. О. Комахин², А. В. Симаньков³, Д. А. Узеньков4

1, 2, 4 кафедра ИУ4 «Проектирование и технология производства электронной аппаратуры» МГТУ им. Н.Э. Баумана (Москва, Россия)

1–4 ООО«ИНФОРИОН» (Москва, Россия)

Постановка проблемы. Основная проблема применения рекуррентных нейросетей к задаче классификации архитектур процессора заключается в том, что использование рекуррентной нейронной сети осложнено отсутствием блоков, позволяющих запоминать и учитывать результат работы на каждом следующем шаге. Для решения этой проблемы авторами предложена стратегия использования нейронной сети на базе механизма управляемых рекуррентных блоков. У каждого нейрона такой сети есть клетка памяти, в которой хранится предыдущее состояние и несколько фильтров. Фильтр обновления определяет, сколько информации останется от прошлого состояния и сколько будет взято из предыдущего слоя. Фильтр сброса определяет, какое количество информации о предыдущих состояниях будет потеряно.

Цель. Повысить эффективность классификации архитектуры процессора по коду из исполняемых файлов, запущенных на этом процессоре, за счет создания методов, алгоритмов и программ, инвариантных к постоянным данным (строки, константы, заголовочные секции, секции данных, отступы), содержащимся в исполняемых файлах. Результаты. Исследованы особенности применения рекуррентных нейронных сетей на примере задачи классификации архитектуры процессора по исполняемому коду из скомпилированных исполняемых файлов. Кратко рассмотрены особенности машинного кода различных архитектур процессоров, используемых в современной вычислительной технике. Предложено использование рекуррентных нейронных сетей, которые имеют преимущества по скорости и точности в решении задач классификации. Сделаны выводы о результатах измерения метрик качества работы алгоритма и возможности расширения функциональности без внесения изменений в архитектуру программного комплекса.

Практическая значимость. Разработанный метод на основе нейросети с механизмом управляемых рекуррентных блоков реализован в программном комплексе, позволяющем обрабатывать цифровые данные из исполняемых файлов для различных архитектур процессоров, в частности, на начальном этапе проведения аудита безопасности встраиваемых систем с целью определения набора технических средств, которые возможно применить для анализа на последующих этапах.

Гладких А.А., Комахин М.О., Симаньков А.В., Узеньков Д.А. Использование рекуррентных нейронных сетей для вероятностной классификации архитектуры процессора исполняемых файлов // Нейрокомпьютеры: разработка, применение. 2021. Т. 23. № 1. С. 43–49. DOI: 10.18127/j19998554-202101-05.

1. Буянов А.И., Власов А.И., Загоскин А.В. Применение нейросетевых методов при дефектоскопии печатных плат // Нейрокомпьютеры: разработка, применение. 2002. № 3. С. 42–70.
2. Власов А.И., Гриднев В.Н., Константинов П., Юдин А.В. Нейросетевые методы дефектоскопии печатных плат // Электронные компоненты. 2004. № 8. С. 148–155.
3. Гриднев В.Н., Сергеева М.Д., Чебова А.И. Линейные модели распознавания тепловизионных изображений неисправностей электронных ячеек // Контроль. Диагностика. 2014. № 8. С. 57–66.
4. Вирясова А.Ю., Власов А.И., Гладких А.А. Нейросетевые методы дефектоскопии интегральных структур // Нейрокомпьютеры: разработка, применение. 2019. № 2. С. 54–67.
5. Свидетельство о регистрации программы для ЭВМ RU 2019618937. Экспертная система по обнаружению дефектов проводящего рисунка печатных плат / Е.В. Евдокимова, А.Е. Аверьянихин, А.И. Власов. Опубл. 08.07.2019.
6. Lawrence S., Giles C.L., Tsoi A.C., Back A.D. Face recognition: A convolutional neural network approach // IEEE Transactions on Neural Networks. Special Issue on Neural Networks and Pattern Recognition. P. 1–24.
7. Прохоров В.Г. Использование сверточных сетей для распознавания рукописных символов // Проблеми програмувания. 2008. № 2–3. С. 669–674.
8. Рысьмятова А.А. Использование сверточных нейронных сетей для задачи классификации текстов. М.: Московский государственный университет имени М.В. Ломоносова. 2016.
9. Шахнов В.А., Власов А.И., Поляков Ю.А., Кузнецов А.С. Нейрокомпьютеры: архитектура и схемотехника / Приложение к журналу «Информационные технологии». № 9. М.: Машиностроение. 2000.
10. Глушко А.А., Бусов В.Д., Передерин К.Д. Методы алгоритмического проектирования искусственного интеллекта // Технологии инженерных и информационных систем. 2019. № 2. С. 72–88.