Dans le reverse engineering pratique, les binaires stripping et optimisés manquent de sémantiques de haut niveau, ce qui entrave la compréhension automatisée des fonctions. Cet article adopte la prédiction du nom des fonctions binaires comme référence pour évaluer les grands modèles de langage open source (LLMs) pour l'inférence sémantique au niveau des fonctions dans des conditions réalistes. Nous examinons systématiquement les facteurs clés affectant la performance, y compris le domaine de pré-entraînement, la taille du modèle, l'architecture et les paramètres d'optimisation, la formulation des requêtes et les informations contextuelles. Des expériences sur un grand ensemble de données binaires multi-projets révèlent des limites claires dans la récupération des sémantiques des fonctions à partir de binaires stripping. Les LLM orientés code surpassent systématiquement les modèles polyvalents, tandis que l'augmentation seule de la taille du modèle ne produit pas de gains monotones. Nous montrons en outre que des signaux contextuels réalistement récupérables, notamment des contextes inter-fonctions structurellement récupérables, atténuent substantiellement la rareté sémantique et améliorent la qualité de la prédiction. Ces résultats délimitent les frontières actuelles des capacités de compréhension sémantique binaire basées sur LLM et suggèrent des directions futures en modélisation contextuelle et techniques d'adaptation au domaine pour le reverse engineering pratique.

Prédiction des noms de fonctions binaires;Grands modèles de langage (LLMs);Reverse engineering (RE);Analyse du code binaire