LLM 可以对二进制代码进行反混淆吗？ 大语言模型伪代码反混淆系统分析

反混淆二进制代码仍然是逆向工程中的一个基本挑战，因为混淆被广泛用于阻碍分析和隐藏程序逻辑。尽管 大语言模型 (LLM) 在从混淆的二进制文件中恢复语义方面表现出了希望，但仍然缺乏对其有效性的系统评估。在这项工作中，我们提出了 BinDeObfBench，这是第一个用于评估跨预编译、编译时和后编译阶段的各种转换的基于 LLM 的二进制反混淆的综合基准。我们的评估表明，反混淆性能更多地取决于推理能力和领域专业知识，而不是模型规模，并且特定于任务的监督 微调 始终优于广泛领域的 预训练。推理模型可以在严重混淆的情况下保持鲁棒性，并在不同的指令集架构（ISA）和优化级别上进行泛化。情境学习有利于标准模型，但对推理模型的收益有限。总体而言，我们的研究强调了特定于任务的 微调 和推理驱动策略的重要性，并将 BinDeObfBench 定位为未来二进制反混淆工作的基础。