Методи та засоби підвищення ефективності безпеки комп’ютеризованої системи за допомогою виявлення вразливих хеш-стрічок

Abstract

Кваліфікаційна робота присвячена підвищенню рівня безпеки комп’ютеризованих систем шляхом автоматизованого виявлення криптографічно нестійких або аномальних хеш-стрічок, що використовуються для зберігання автентифікаційних даних, токенів доступу та контрольних сум в інформаційних сховищах. Проаналізовано властивості сучасних криптографічних хеш-функцій, типові вразливості та визначено ознаки, що дозволяють оцінювати рівень криптостійкості хеш-значень. Описано математичну модель представлення хеш-стрічок та сформовано набір ознак, що включає структурні, символьні та ентропійні характеристики, а також визначені параметри, пов’язані з алгоритмом хешування. Розроблено програмне забезпечення з модульною архітектурою, що включає компоненти криптографічного аналізу, ентропійного аналізу, підсистему машинного навчання, інструменти векторизації ознак та механізм класифікації. Результати роботи можуть бути впроваджені у корпоративні системи аудиту інформаційної безпеки для проактивного контролю політик зберігання облікових даних, виявлення застарілих криптографічних алгоритмів та мінімізації ризиків несанкціонованого доступу до інформаційних ресурсів.

This qualification thesis is devoted to enhancing the security of computerized systems through the automated detection of cryptographically weak or anomalous hash strings used for storing authentication data, access tokens, and checksums in information repositories. The study analyzes the properties of modern cryptographic hash functions, common vulnerabilities, and identifies key indicators that allow assessing the cryptographic strength of hash values. A mathematical model for representing hash strings is presented, and a feature set is constructed that incorporates structural, symbolic, and entropy-related characteristics, along with parameters linked to the hashing algorithm. Software with a modular architecture has been developed, incorporating components for cryptographic analysis, entropy evaluation, a machine learning subsystem, feature vectorization mechanisms, and a classification module. The results of the work can be implemented in corporate information security audit systems to enable proactive enforcement of password storage policies, detection of outdated cryptographic algorithms, and minimization of risks related to unauthorized access to sensitive data