解耦是必要的：优化和混淆下与转换无关的反编译代码恢复

逆向工程对于软件安全分析和漏洞检测至关重要。反编译是将二进制文件提升为高级伪代码的过程，是此任务的核心。然而，生产二进制文件是充满敌意的环境：积极的编译器优化和对抗性混淆共同破坏了控制结构，模糊了变量意图，并掩盖了高级程序逻辑。因此，现有的基于LLM的反编译工具经常遭受结构崩溃和语义幻觉的困扰。我们推出了 ReSource，这是第一个多阶段 LLM 框架，专为与转换无关的源恢复而设计。为了解决这些相互交织的扭曲，ReSource 将二进制到源的差异概念化为三个正交层，即词汇、句法和语义，并相应地解耦恢复过程。首先，为了使 LLM 接地并防止逻辑漂移，它从精心策划的语义失真数据库中检索经验先验。其次，为了解决控制流扁平化问题，它集成了一个轻量级预测器来重建源级结构骨架。最后，上下文词汇推导阶段完善标识符以恢复人类可读性。在跨越三个优化级别和四种混淆技术的超过 80,000 个反编译源函数对的大规模基准上进行评估，ReSource 实现了 83% 的 Top-5 源检索准确率和 0.66 的平均相似度得分。通过在最先进的基线（DeGPT、LLM4Decompile 和 FidelityGPT）严重过度拟合或降级的情况下保持强大的语义可识别性，ReSource 为下游安全分析提供了可扩展且可靠的基础。