Automatické klasifikace souborů na základě rozpoznávání textových bloků

Abstract

Tato práce spočívá ve studiu typů souborů obsahující textová data za účelem vývoje systému, který je schopen automaticky klasifikovat soubory. Hlavním cílem práce je automatické třídění souborů obsahující textová data bez podpory informací poskytnutých od souborového systému. V teoretické části je vysvětleno, jak obvykle pracují nástroje pro obnovu dat a Computer Forensics, dále je diskutován problém ohledně stanovení typu fragmentované části souboru. To je často hlavním tématem pro aplikace Computer Forensics. Mimo jiné, vyhledávání řetězců je obzvláště důležité, protože velmi často je důkaz hledán uvnitř textových dokumentů. Dále je v této části také popsána vnitřní struktura souborů PDF a Office XML. Praktická část obsahuje informace o implementaci softwarového nástroje, který je schopen z poskytnutého bloku dat získat informace, které mohou být použity pro automatickou klasifikaci dokumentu.