En la ingeniería inversa práctica, los binarios depurados y optimizados carecen de semántica de alto nivel, lo que dificulta la comprensión automática de funciones. Este artículo adopta la predicción del nombre de funciones binarias como punto de referencia para evaluar modelos de lenguaje grandes de código abierto (LLMs) para la inferencia semántica a nivel de función en condiciones realistas. Examinamos sistemáticamente los factores clave que afectan el rendimiento, incluyendo el dominio de preentrenamiento, la escala del modelo, la arquitectura y configuraciones de optimización, el prompting y la información contextual. Experimentos en un conjunto de datos binarios multiproyecto a gran escala revelan limitaciones claras en la recuperación de la semántica de funciones a partir de binarios depurados. Los LLM orientados al código superan consistentemente a los modelos de propósito general, mientras que aumentar solo el tamaño del modelo no genera ganancias monotónicas. Además demostramos que las señales contextuales recuperables de manera realista, especialmente los contextos cruzados entre funciones estructuralmente recuperables, mitigan sustancialmente la escasez semántica y mejoran la calidad de la predicción. Estos resultados delinean los límites actuales de las capacidades basadas en LLM para la comprensión semántica binaria y sugieren direcciones futuras en modelado contextual y técnicas adaptativas al dominio para la ingeniería inversa práctica.

Predicción de nombres de funciones binarias;Modelos de lenguaje grandes (LLMs);Ingeniería inversa (RE);Análisis de código binario