prikaz prve stranice dokumenta Dekompajliranje Java aplikacija potpomognuto metodama strojnog učenja
Rad nije dostupan
diplomski rad
Dekompajliranje Java aplikacija potpomognuto metodama strojnog učenja
2018. urn:nbn:hr:168:633254
Kucijan, Mihovil
Sveučilište u Zagrebu
Fakultet elektrotehnike i računarstva

Citirajte ovaj rad

Kucijan, M. (2018). Dekompajliranje Java aplikacija potpomognuto metodama strojnog učenja (Diplomski rad). Zagreb: Sveučilište u Zagrebu, Fakultet elektrotehnike i računarstva. Preuzeto s https://urn.nsk.hr/urn:nbn:hr:168:633254

Kucijan, Mihovil. "Dekompajliranje Java aplikacija potpomognuto metodama strojnog učenja." Diplomski rad, Sveučilište u Zagrebu, Fakultet elektrotehnike i računarstva, 2018. https://urn.nsk.hr/urn:nbn:hr:168:633254

Kucijan, Mihovil. "Dekompajliranje Java aplikacija potpomognuto metodama strojnog učenja." Diplomski rad, Sveučilište u Zagrebu, Fakultet elektrotehnike i računarstva, 2018. https://urn.nsk.hr/urn:nbn:hr:168:633254

Kucijan, M. (2018). 'Dekompajliranje Java aplikacija potpomognuto metodama strojnog učenja', Diplomski rad, Sveučilište u Zagrebu, Fakultet elektrotehnike i računarstva, citirano: 19.04.2024., https://urn.nsk.hr/urn:nbn:hr:168:633254

Kucijan M. Dekompajliranje Java aplikacija potpomognuto metodama strojnog učenja [Diplomski rad]. Zagreb: Sveučilište u Zagrebu, Fakultet elektrotehnike i računarstva; 2018 [pristupljeno 19.04.2024.] Dostupno na: https://urn.nsk.hr/urn:nbn:hr:168:633254

M. Kucijan, "Dekompajliranje Java aplikacija potpomognuto metodama strojnog učenja", Diplomski rad, Sveučilište u Zagrebu, Fakultet elektrotehnike i računarstva, Zagreb, 2018. Dostupno na: https://urn.nsk.hr/urn:nbn:hr:168:633254

Za citiranje koristite ovu mrežnu adresu: https://urn.nsk.hr/urn:nbn:hr:168:633254
Prijavite se u repozitorij kako biste mogli spremiti objekt u svoju listu.
Podaci o radu
NaslovDekompajliranje Java aplikacija potpomognuto metodama strojnog učenja
Naslov (engleski)Decompilation of Java Applications Supported by Machine Learning Algorithms
AutorMihovil Kucijan
MentorStjepan Groš (mentor)
Član povjerenstvaStjepan Groš (predsjednik povjerenstva)
Član povjerenstvaAnte Đerek (član povjerenstva)
Član povjerenstvaDejan Škvorc (član povjerenstva)
Ustanova koja je dodijelila
akademski / stručni stupanj		Sveučilište u Zagrebu
Fakultet elektrotehnike i računarstva
Zagreb
Datum i država obrane2018-07-19, Hrvatska
Znanstveno / umjetničko
područje, polje i grana		TEHNIČKE ZNANOSTI
Računarstvo
Sažetak
Razvojem strojnog učenja i povećanjem proceduralne moći računala, otvorio se novi način za pristupanju problemima. Metode strojnog učenja kao neuronske mreže omogućavaju iskorištavanje velike količine podataka kako bi se u sisteme ugradilo znanje o obrascima i pravilima bez direktnog programiranja u svrhu rješavanje problema. U ovom radu sagledat će se moguća primjena umjetnih neuronskih mreža za probleme dekompajliranje Java bajtkoda. Prezentirana su dva modela koji nastoje otkriti strukturu apstraktnih izraza izvornog jezika iz niza instrukcija koje su zapisane u izvršnom formatu. Prvi model koristeći povratne neuronske mreže označava instrukcije koje su generirana iz izraza uvjeta i petlja u izvornom kodu. Drugi model koristi povratne mreže kako bi iz niza instrukcija generirao oznake početaka i kraja izraza izvornog jezika. Modeli postižu minimalnu funkcionalnost prepoznavajući najjasnije obrasce izraza. Kod dužih i kompliciranijih nizova otkrivaju tek dio strukture te nisu u mogućnosti naći jasne granice izraza.
Sažetak (engleski)
By development of machine learning techniques and increasing computer process abilities, new approach to solving problems has been presented. Machine learning methods like neural networks allow for analysis of large amounts of data to include knowledge of patterns and rules without usage of direct programming for solving problems. This paper will consider application of artificial neural networks for the problems of decompiling Java bytecode. Two models have been introduced to find the structure of abstract expressions of the original language from a series of instructions from a compiled code. The first model uses recurrent neural network to classify the instructions that were generated from conditional and loop expressions in the source code. The other model uses a recurrent neural networks to generate start and end labels of source expressions. Models achieve minimal functionality by recognizing the clearest patterns of expressions. On longer and more complicated array of instructions, model reveal only a part of the structure and is not able to find clear boundaries of expressions.
Ključne riječi
Ključne riječi (engleski)
Jezikhrvatski
URN:NBNurn:nbn:hr:168:633254
Studijski programNaziv: Računarstvo
Vrsta studija: sveučilišni
Stupanj studija: diplomski
Akademski / stručni naziv: magistar/magistra inženjer/inženjerka računarstva (mag.ing.comp.)
Vrsta resursaTekst
Način izrade datotekeIzvorno digitalna
Prava pristupaZatvoreni pristup
Uvjeti korištenjaIkona licence Zaštićeno autorskim pravom.
Javna napomena
Datum i vrijeme pohrane2019-03-13 22:03:19