В практическом реверс-инжиниринге очищенные и оптимизированные бинарные файлы лишены высокоуровневой семантики, что затрудняет автоматическое понимание функций. В данной статье используется прогнозирование имен бинарных функций в качестве ориентира для оценки открытых моделей больших языковых моделей (LLMs) для семантической интерпретации функций в реалистичных условиях. Мы систематически изучаем ключевые факторы, влияющие на производительность, включая домен предварительного обучения, масштаб модели, архитектуру и настройки оптимизации, подсказки и контекстную информацию. Эксперименты на крупномасштабном многопроектном бинарном наборе данных выявляют явные ограничения в восстановлении семантики функций из очищенных бинарных файлов. Ориентированные на код LLM постоянно превосходят универсальные модели, в то время как увеличение размера модели само по себе не приводит к монотонному улучшению. Мы также показываем, что реально восстанавливаемые контекстные сигналы, особенно структурно восстанавливаемые межфункциональные контексты, значительно уменьшают семантическую разреженность и улучшают качество прогнозирования. Эти результаты очерчивают текущие ограничения возможностей понимания бинарной семантики на основе LLM и предлагают направления для будущих исследований в области контекстного моделирования и методов адаптации к домену для практического реверс-инжиниринга.

Прогнозирование имен бинарных функций;Большие языковые модели (LLMs);Реверс-инжиниринг (RE);Анализ бинарного кода