Израильская нейросеть за $5000 и без сна обогнала 99% хакеров на соревнованиях по взлому. Она не просто перебирает пароли, а анализирует код, находит уязвимости и крадёт флаг. Для студента это готовый каркас дипломного проекта: можно исследовать алгоритмы, обучить модель на реальных CTF-задачах и получить измеримые результаты. В статье разбираем, как встроить этот кейс в ВКР, какие метрики показать на защите и где взять данные.
Берите узкую задачу: не «ИИ в кибербезопасности», а «Автоматическое обнаружение SQL-инъекций в коде с помощью свёрточной нейросети». В работе должны быть понятные входы и выходы, сравнение с базовой моделью (например, обычным sklearn-классификатором) и метрики. Тогда защита превращается в защиту технических решений, а не философского разговора.
Для CTF-задач подойдут открытые датасеты: OWASP WebGoat, Damn Vulnerable Web Application (DVWA), блокноты Kaggle по детекции уязвимостей. Если тема связана с анализом кода — возьмите наборы с GitHub Security Lab. Главное — не нарушать законодательство: используйте только собственные лабораторные стенды и публичные CTF-платформы типа HackTheBox, где согласие на тестирование получено.
Для архитектуры применяйте диаграммы C4 или UML. В главе 2 достаточно контекстной диаграммы (уровень 1) и диаграммы контейнеров (уровень 2), которые рисуются в PlantUML или draw.io. Каждую схему подписывайте как рисунок, со ссылкой на неё в тексте — это стандартная практика нормоконтроля.
Базовые метрики: precision, recall, F1-score, accuracy. Для задач поиска уязвимостей важнее полнота (recall), потому что пропущенная брешь хуже ложной тревоги. Плюс время анализа одного образца — покажите, что ИИ работает быстрее человека.
Возьмите факты из новости: нейросеть потратила $5000 на обучение и работала без перерывов. Это идеальная отправная точка для обзора литературы. Покажите, что современные ИИ-системы перестали быть игрушкой и стали инструментом взлома. Ссылайтесь на оригинальную публикацию, но не копируйте текст — перефразируйте. Добавьте таблицу сравнения классических методов (fuzzing, статический анализ) и ML-подходов по критериям: скорость, точность, стоимость, необходимость эксперта.
Опишите архитектуру своей системы, используя C4-модель. Например: контекст — пользователь отправляет HTTP-запрос; контейнер — веб-приложение, брокер сообщений, ML-модуль; компоненты — инференс на ONNX Runtime или PyTorch. Используйте pre-select, чтобы код не противоречил ГОСТ. Ниже пример конфигурации docker-compose.yml для изоляции ML-модуля:
version: '3.8'
services:
ml-api:
image: python:3.11-slim
build: ./ml_service
ports:
- "8080:8080"
environment:
MODEL_PATH: /models/vuln_detector.onnx
volumes:
- ./models:/models
network_mode: bridgeПроведите эксперимент на датасете из 10 000 размеченных запросов к веб-приложениям. Покажите, что ваша модель достигает F1-score 0,87, а время обработки одного запроса — 12 мс (на обычном CPU). Сравните с современным сканером (например, OWASP ZAP) по числу верно найденных уязвимостей. Оформите результаты в виде графика (точность-полнота). Обязательно укажите, что исследование проводилось в локальной среде — это усиливает аргументацию.
Для воспроизводимости добавьте в работу Docker-контейнер с вашим кодом, ссылку на GitHub-репозиторий и описание того, как любой проверяющий может запустить эксперимент. Это резко повышает доверие к результатам — вы показываете не только текст, но и рабочее решение.
Ошибка 1. «Я обучил модель, но нет сравнения с базовым методом». Без сравнения ваша работа выглядит как подгонка под ответ. Возьмите хотя бы тривиальный классификатор (например, Logistic Regression) и покажите разницу.
Ошибка 2. «Работаю только с одним датасетом». Нейросеть из статьи победила 99% участников, но это один турнир. Для диплома нужно минимум два разных набора данных, чтобы продемонстрировать обобщение.
Ошибка 3. «Забываю про безопасность собственного кода». Если вы пишете инструмент для пентеста, это не значит, что он сам должен быть уязвим. Исследуйте свою реализацию на соответствие OWASP и опишите это в работе.
Нужно успеть к дедлайну, а руки не доходят до экспериментов? Мы помогаем студентам уже 15 лет: за 120 часов проработки темы вы получаете готовую к защите работу, консультации экспертов и бесплатный разбор вашего текущего черновика. Обращайтесь за помощью с любой темой ВКР — с радостью подскажем, как уложиться в срок и избежать типовых ошибок.
Источник: Обойти защиту, найти уязвимость и украсть флаг. Нейросеть из Израиля победила 99% участников хакерских турниров (опубликовано 2026-03-19)
```