実際のリバースエンジニアリングにおいて、シンボルが剥離されコンパイル最適化されたバイナリプログラムは高レベルのセマンティック情報を欠いており、自動化された関数の意味理解に大きな課題をもたらしている。本稿では、バイナリ関数名予測を基準タスクとし、オープンソースの大規模言語モデル（LLM）が実際のシナリオにおける関数レベルのセマンティック推論能力を体系的に評価し、事前学習ドメイン、モデル規模、モデルアーキテクチャおよび最適化戦略、プロンプト方式、デバッグ情報など、モデル性能に影響を与える主要因を分析した。複数プロジェクトを含む大規模なバイナリデータセットに基づく実験の結果、現行のオープンソースLLMはシンボル剥離バイナリプログラムの関数意味復元において依然として顕著な制限があることが示された。コードドメインに特化した事前学習モデルは汎用モデルよりも全般的に優れており、モデル規模の拡大は性能の持続的な向上をもたらさなかった。さらに、関数間のコンテキスト情報、特に関数呼び出し関係の導入により、意味情報の希薄化問題が効果的に緩和され、関数名予測性能が大幅に向上した。本研究成果は、現行のLLMがバイナリのセマンティック理解における能力の限界を明らかにし、実際のリバースエンジニアリングにおけるコンテキストモデリングおよびドメイン適応技術研究への参考となる。

バイナリ関数名予測;大規模言語モデル;リバースエンジニアリング;バイナリコード解析