실제 리버스 엔지니어링에서 심볼이 제거되고 컴파일 최적화가 적용된 바이너리 프로그램은 고수준의 의미 정보를 결여하고 있어 자동화된 함수 의미 이해에 큰 도전이 된다. 본 논문은 바이너리 함수명 예측을 기준 작업으로 하여, 실제 환경에서 오픈 소스 대규모 언어 모델(LLM)의 함수 수준 의미 추론 능력을 체계적으로 평가하고, 사전 학습 도메인, 모델 규모, 모델 아키텍처 및 최적화 전략, 프롬프트 방식, 디버깅 정보 등 모델 성능에 영향을 미치는 주요 요소들을 분석하였다. 다수 프로젝트를 포함하는 대규모 바이너리 데이터셋을 기반으로 실험을 수행한 결과, 현재 오픈 소스 LLM은 심볼이 제거된 바이너리 프로그램 함수 의미 복원에 여전히 명확한 한계를 가지고 있음을 확인하였다. 코드 도메인 사전 학습 모델이 일반 모델보다 전반적으로 우수하며, 모델 규모 증가가 성능 지속 향상을 가져오지 않는다는 것도 밝혀졌다. 또한, 함수 간 문맥 정보, 특히 함수 호출 관계 도입이 의미 정보 희소성 문제를 효과적으로 완화하여 함수명 예측 성능을 크게 향상시켰다. 본 연구 결과는 현재 LLM의 바이너리 의미 이해 능력 한계를 드러내며, 실제 리버스 엔지니어링 대상 문맥 모델링과 도메인 적응 기술 연구에 참고가 된다.

바이너리 함수명 예측;대규모 언어 모델;리버스 엔지니어링;바이너리 코드 분석