Диплом (ВКР) по теме «Разработка нейросетевого алгоритма симметричного шифрования на базе многослойного персептрона»
Работа по теме «Разработка нейросетевого алгоритма симметричного шифрования на базе многослойного персептрона» включает создание и тестирование нейросетевой модели, способной выполнять шифрование/дешифрование данных. В рамках ВКР студенту предстоит реализовать архитектуру персептрона, обучить её на синтетических данных, провести сравнение с классическими алгоритмами (AES, DES) и обосновать экономическую целесообразность внедрения. Ключевые этапы — анализ существующих решений, проектирование ИС, разработка и тестирование.
Нужен разбор вашей темы Разработка нейросетевого алгоритма симметричного шифрования на базе многослойного персептрона? Получите бесплатную консультацию: @Diplomit | +7 (987) 915-99-32 (WhatsApp)
Актуальность темы
Шифрование данных — неотъемлемая часть цифровой инфраструктуры. По данным ФСТЭК России (2024), более 60% утечек в госорганах происходят из-за слабой криптозащиты. Стандартные алгоритмы (AES, ГОСТ 28147-89) хорошо изучены, но их статическая природа делает их уязвимыми к атакам на основе ИИ.
Нейросетевые алгоритмы шифрования — новое направление. Они могут адаптироваться под контекст, генерировать динамические ключи и устойчивы к атакам по времени. В 2023 году исследователи из МФТИ показали, что персептроны могут шифровать текст с точностью 98,6% и скоростью до 12 Мбит/с на GPU среднего класса.
Ваша ВКР может стать частью этого тренда. Особенно если вы свяжете её с реальной задачей — например, защитой внутреннего документооборота в IT-компании.
Цель и задачи
Цель исследования: разработка и экспериментальная оценка нейросетевого алгоритма симметричного шифрования на базе многослойного персептрона.
Задачи:
- Проанализировать существующие методы симметричного шифрования и их уязвимости.
- Исследовать применимость нейронных сетей в криптографии.
- Разработать архитектуру персептрона для шифрования/дешифрования текстовых данных.
- Создать обучающий датасет на основе синтетических и реальных текстов.
- Реализовать и обучить модель на Python с использованием PyTorch.
- Провести тестирование на устойчивость к атакам (частотный анализ, brute-force).
- Оценить производительность и сравнить с AES-128.
- Обосновать экономическую эффективность внедрения в ИС компании.
Задачи соответствуют структуре, рекомендованной в методичке ВШЭ по Прикладная информатика (2024), и охватывают все этапы: от анализа до экономики.
Объект и предмет исследования
Объект: информационная система ООО «ТехноСфера» — IT-компания с 150 сотрудниками, специализирующаяся на разработке CRM-систем.
Предмет: процесс шифрования внутренних текстовых данных с использованием нейросетевой модели на базе многослойного персептрона.
Разделение важно: объект — где, предмет — что именно вы улучшаете. Это не дублирование, а логическая цепочка.
Ожидаемые результаты и практическая значимость
После реализации вы получите:
- Рабочую модель шифрования на PyTorch (до 500 строк кода в приложении).
- Сравнительную таблицу производительности (скорость, размер ключа, устойчивость).
- Расчёт экономии: сокращение затрат на криптозащиту на 22% за счёт отказа от лицензий на сторонние решения.
- Рекомендации по внедрению в ИС компании.
Практическая значимость — возможность использовать разработку как прототип для защиты внутреннего API или документооборота.
Рекомендуемая структура дипломной работы
| Раздел ВКР | Рекомендуемый объем |
|---|---|
| Введение | 3–5 страниц |
| Теоретическая глава | 25–30 страниц |
| Аналитическая часть | 30–40 страниц |
| Практическая часть | 30–40 страниц |
| Экономическая эффективность | 20–25 страниц |
| Заключение | 3–5 страниц |
Пример введения для ВШЭ
Современные информационные системы сталкиваются с ростом числа кибератак, направленных на перехват и модификацию данных. Традиционные алгоритмы симметричного шифрования, такие как AES и ГОСТ 28147-89, обеспечивают высокий уровень защиты, но обладают статической природой, что делает их предсказуемыми при длительном использовании. Возникает потребность в адаптивных криптографических решениях, способных изменять поведение в зависимости от контекста.
Нейронные сети, в частности многослойные персептроны, демонстрируют высокую гибкость в обработке последовательностей и могут быть применены для генерации динамических ключей и шифрования данных. Целью данной работы является разработка и оценка эффективности нейросетевого алгоритма симметричного шифрования на базе многослойного персептрона.
Задачи исследования включают анализ существующих решений, проектирование архитектуры модели, её реализацию и тестирование в условиях, приближенных к реальным. Объектом исследования выступает информационная система ООО «ТехноСфера», предметом — процесс шифрования текстовых данных. Работа опирается на требования ГОСТ 34.602-2020 к разработке программных средств и ГОСТ Р 7.0.100-2018 к оформлению текстов.
Как написать заключение по Прикладная информатика
В ходе выполнения выпускной квалификационной работы была разработана нейросетевая модель на базе многослойного персептрона для симметричного шифрования текстовых данных. Модель обучена на датасете из 50 000 пар "открытый текст — зашифрованный текст" и показала точность восстановления 98,4% при длине ключа 128 бит.
Проведённое сравнение с AES-128 показало сопоставимую скорость шифрования (10,2 Мбит/с против 11,8 Мбит/с), но повышенную устойчивость к частотному анализу. Экономический расчёт подтвердил целесообразность внедрения: срок окупаемости разработки составил 8 месяцев за счёт снижения затрат на лицензирование сторонних решений.
Рекомендуется использовать данную модель в качестве прототипа для защиты внутреннего документооборота в IT-компаниях. Дальнейшее развитие — интеграция с API и оптимизация для работы на CPU.
Требования к списку литературы ВШЭ
Список литературы должен содержать не менее 20 источников, из них 10% — за последние 2 года. Оформление — по ГОСТ Р 7.0.100-2018.
Примеры актуальных источников:
- ФСТЭК России. Методические рекомендации по защите от НСД с использованием ИИ. 2024. URL: https://www.fstec.ru (дата обращения: 2026-05-15)
- Goodfellow I., Bengio Y., Courville A. Deep Learning. MIT Press, 2023. URL: https://www.deeplearningbook.org
- Костина Ю.А. Нейросетевые алгоритмы шифрования: обзор современных подходов // Проблемы информационной безопасности. 2024. №2. С. 45–52. URL: https://cyberleninka.ru/article/n/...
⚠️ Типичные ошибки при написании Разработка нейросетевого алгоритма симметричного шифрования на базе многослойного персептрона
- Ошибка: Подмена нейросетевого шифрования обычным XOR с ключом → Как проверить: Убедитесь, что модель обучается на парах данных, а не просто применяет статическую функцию.
- Ошибка: Отсутствие реальных тестов производительности → Решение: Замерьте время шифрования 1 МБ текста, сравните с AES.
- Ошибка: Несоответствие задач цели → Чек-лист: Каждая задача должна быть отражена в заключении. Если задача "разработать модель" — покажите её архитектуру и метрики.
Частые вопросы по теме «Разработка нейросетевого алгоритма симметричного шифрования на базе многослойного персептрона»
- В: Сколько страниц должна быть практическая часть? О: В ВШЭ — 30–40 стр. с кодом, диаграммами и результатами тестирования. Минимум 10 скриншотов обработки.
- В: Нужен ли реальный код в приложении? О: Да. Обязательны фрагменты ключевых модулей: обучение, шифрование, дешифрование. До 500 строк.
- В: Как проверить уникальность перед сдачей? О: Используйте Антиплагиат.ВУЗ с настройками ВШЭ. Порог — 75%. Избегайте копирования кода без пояснений.
Вопросы, которые часто задают студенты
Можно ли использовать готовые решения в ВКР?
Да, но с адаптацией. Например, вы можете взять архитектуру персептрона из статьи, но переобучить её на своём датасете и провести оригинальное тестирование. Научный руководитель ожидает не копирование, а анализ и модификацию.
Сколько страниц должна быть практическая часть?
Оптимально 30–40 страниц. Включайте: схему архитектуры нейросети, код с комментариями, результаты обучения (графики потерь), сравнение с AES. Важно — не количество, а глубина проработки.
Можно ли использовать open-source решения?
Да, особенно PyTorch, NumPy, Scikit-learn. Укажите источники в приложении и списке литературы. Но помните: использование библиотек — не замена собственной реализации логики шифрования.
✅ Чек-лист перед защитой Разработка нейросетевого алгоритма симметричного шифрования на базе многослойного персептрона
- □ Все задачи из введения выполнены и отражены в заключении
- □ Структура соотвествует требованиям методички ВШЭ
- □ Уникальность >75% по Антиплагиат.ВУЗ (настройки вуза)
- □ Источники оформлены по ГОСТ Р 7.0.100-2018
- □ Работа содержит реальные данные, а не шаблоны
- □ Код протестирован, результаты подтверждены
- □ Экономический расчёт логичен и обоснован
Застряли на этапе разработки нейросетевой модели? Наши эксперты по Прикладная информатика помогут разобраться. Написать в Telegram или +7 (987) 915-99-32 (WhatsApp)
⭐ MAКСПроверьте свою тему ВКР
- □ Есть ли реальная организация для анализа?
- □ Есть ли измеримый эффект внедрения?
- □ Можно ли построить диаграммы процессов?
- □ Есть ли реальные данные для экономических расчетов?
Нужна помощь с вашей работой?