Las augmentaciones cripto-virales presentan una amenaza inmediata e incomparable. En la última década, la proliferación sustancial de ransomware criptográfico ha tenido consecuencias generalizadas para consumidores y organizaciones por igual. Las medidas preventivas establecidas funcionan bien, sin embargo, el problema no ha cesado. La ingeniería inversa de software potencialmente malicioso es una tarea engorrosa debido a las peculiaridades de la plataforma y los mecanismos de transmutación ofuscados, lo que requiere estrategias de detección más inteligentes y eficientes. El siguiente manuscrito presenta un enfoque novedoso para la clasificación de primitivas criptográficas en ejecutables binarios compilados utilizando aprendizaje profundo. El diseño del modelo, una Red Neuronal Convolucional Dinámica (DCNN), está configurado adecuadamente para aprender de diagnósticos de flujo de control de longitud variable generados a partir de un trazo dinámico. Para rivalizar con el tamaño y la variabilidad de conjuntos de datos equivalentes, y para entrenar adecuadamente nuestro modelo sin arriesgar una exposición adversa, se define una metodología para la generación procedural de binarios criptográficos sintéticos, utilizando primitivas centrales de OpenSSL con ofuscación multivariada, para crear una distribución escalable en gran medida. La biblioteca, CryptoKnight, generó un conjunto algorítmico de AES, RC4, Blowfish, MD5 y RSA para sintetizar variantes combinables que se alimentaron automáticamente en su modelo central. Convergiendo en un 96% de precisión, CryptoKnight pudo clasificar con éxito el conjunto de muestras con una pérdida mínima e identificó correctamente el algoritmo en una aplicación de ransomware criptográfico del mundo real.