Im praktischen Reverse Engineering fehlen bei bereinigten und optimierten Binärdateien hochrangige Semantiken, was die automatisierte Funktionsverständnis erschwert. Dieses Papier verwendet die Vorhersage von Binärfunktionsnamen als Benchmark zur Bewertung von Open-Source-Großsprachmodellen (LLMs) für die semantische Funktionserkennung unter realistischen Bedingungen. Wir untersuchen systematisch Schlüsselfaktoren, die die Leistung beeinflussen, darunter den Vortrainingsbereich, die Modellgröße, Architektur- und Optimierungseinstellungen, Prompting und Kontextinformationen. Experimente mit einem groß angelegten mehrprojektigen Binärdatensatz zeigen klare Einschränkungen bei der Wiederherstellung der Funktionssemantik aus bereinigten Binärdateien. Codeorientierte LLMs übertreffen durchgängig allgemeine Modelle, während die Erhöhung der Modellgröße allein keine monotonen Verbesserungen bringt. Wir zeigen außerdem, dass realistisch wiederherstellbare kontextuelle Signale, insbesondere strukturell wiederherstellbare funktionsübergreifende Kontexte, die semantische Sparsität erheblich verringern und die Vorhersagequalität verbessern. Diese Ergebnisse zeichnen aktuelle Fähigkeitsgrenzen des LLM-basierten binären semantischen Verständnisses und schlagen zukünftige Richtungen in der kontextuellen Modellierung und domänenadaptiven Techniken für praktisches Reverse Engineering vor.

Vorhersage von Binärfunktionsnamen;Große Sprachmodelle (LLMs);Reverse Engineering (RE);Binärcode-Analyse