技术摘要：规模化的“针尖” (Needles at Scale)

问题陈述

现代闭源操作系统漏洞研究的主要瓶颈不在于对单个函数的分析，而在于目标的筛选。现代 Windows 镜像包含数百万个函数（即“大海”），但其中只有极小一部分与特定的漏洞类别相关。虽然分析工具（符号执行、模糊测试器、LLM Agent）已经取得了进展，但它们仍然是资源密集型的。例如，如果不指向正确的函数，LLM Agent 会在无关代码（如 C 运行时启动代码）上浪费昂贵的上下文窗口。本文认为，该领域必须从询问“我们能否分析这个函数？”转向“在数百万个函数中，下一个应该分析哪一个？”目前的筛选过程主要由直觉、声誉和简单的 grep 搜索驱动，缺乏针对整个操作系统规模的可扩展、系统化的优先级排序基座。

方法论：符号化-富集-采样 (Symbolicate-Enrich-Sample)

作者提出了 Symbolicate-Enrich-Sample，这是一个三阶段批处理流水线，旨在将生产环境 Windows 二进制文件的语料库转化为一个经过优先级排序的研究队列。该流水线设计为低成本且可复现，可以在不要求访问私有源代码的情况下对整个 Windows 镜像进行操作。

1. 符号化 (Symbolicate)

此阶段解决去除了符号信息的生产环境 PE 文件（二进制文件）缺乏符号的问题。

• 机制： 流水线解析每个二进制文件中的 CodeView (RSDS) 记录，以提取 PDB (Program Database) GUID 和版本号 (age)。它构建一个指向微软公共符号服务器的规范 URL，获取相应的 PDB 并进行缓存。
• 恢复： 通过反编译器传递过程恢复函数集和过程间调用图。随后，流水线将来自 PDB 的公共函数名称与恢复的函数地址进行关联。
• API 解析： 将约 20,000 个 Win32/WDK API 原型组成的目录与被调用的导入函数进行关联，以恢复调用点的被调用者原型。
• 输出： 一个命名的调用图。没有公共名称的函数将保持为合成的 sub_<addr> 条目，并被排除在后续的富集阶段之外。

2. 富集 (Enrich)

此阶段为每个命名的函数附加确定性的结构化特征和 LLM 生成的标签。

• 确定性特征： 对于每个函数，系统计算：
  • 导出状态 (Export status)。
  • 调用者/被调用者计数以及顶级调用者/被调用者的名称。
  • 是否存在风险相关的 API（如 memcpy、RtlCopy* 等拷贝/写入汇 Sink，以及内存池分配器、用户指针探测等）。
  • 基本块数量和大小。
  • 从入口点（导出函数、分发例程）出发的广度优先搜索到达深度。
• LLM 标注： 使用低成本 LLM，并向其提供函数名、恢复的被调用者原型以及确定性特征。指令要求模型基于这些特征（而非仅仅是名称）进行推理，并输出：
  • 可达性层级 (Reachability Tier)：（远程、本地 IPC、本地用户、仅管理员、内核内部、库内部）。
  • 风险等级 (Risk Level)：（关键、高、中、低、信息）。
  • 漏洞类别假设 (Bug-class Hypothesis) 及 原理 (Rationale)。
• 优化： 通过规则过滤匹配已知运行时/CRT 辅助模式的函数（强制设为 library-internal/info），以避免不必要的模型调用。模型仅看到紧凑的结构化摘要，而非原始的反编译字节。

3. 采样 (Sample)

此阶段将富集后的语料库转换为一个多样化、高优先级的队列。

• 评分： 优先级分数通过启发式公式计算：priority = w_reach · w_risk · w_conf · bonus。Bonus 项奖励确定性证据（例如，调用了拷贝 Sink、被导出），并惩罚平凡的存根 (stubs)。
• 采样策略： 使用优先级加权的重要性采样（利用加权蓄水池算法）进行无放回采样。这确保了研究会话能够覆盖高价值空间并保持多样性，而不是反复返回相同的 top-k 结果。
• 灵活性： 系统支持不同的模式：广泛的“模糊测试风格”扫描（加权抽取）或针对性的假设驱动工作（带有严格过滤条件的 top-N 选择）。

关键结果与评估

该流水线应用于包含 5,888 个已签名 x86-64 Windows 11 二进制文件（构建版本 10.0.26100）的语料库，恢复了 7,231,419 个函数。

• 符号恢复： 76.8% 的恢复函数（5,553,074 个）获得了公共 PDB 名称并进行了富集。剩余 23.2% 为无名存根，被排除在富集之外。
• 选择性： 标注过程具有高度保守性。
  • 仅 0.18% 的函数被标记为 critical（关键）。
  • 仅 1.83% 的函数被标记为 remote-facing（面向远程）。
  • 大多数函数被正确地降级为 library-internal 或 info（例如 C++ 异常机制、样板代码）。
• 漏斗效应： 通过将模型的标签与确定性过滤器叠加（风险：高/关键 AND 可达性：远程/本地 IPC AND 调用了内存不安全原语），搜索空间减少了约 2.5 个数量级，从 723 万个函数缩减至 约 22,000 个函数的候选名单。
• 失效模式： 作者识别了顶层数据中的两个系统性弱点：
  1. 过度推断 (Over-reach)： 将特定的漏洞类别（如 Use-after-free）分配给缺乏必要特征向量（如没有拷贝/写入 Sink）的函数。
  2. 可达性通胀 (Reachability Inflation)： 将深度解析器类的函数标记为 remote，即使其调用图深度表明并非如此。
  • 缓解措施： 简单的守卫逻辑（例如，禁止在没有对应 Sink 的情况下赋予具体的拷贝类标签）可以在不重新运行模型的情况下缓解第一种失效模式。

意义与主张

论文明确将其贡献定义为一个选择基座 (selection substrate)，而非漏洞检测器。它并不声称发现了新的漏洞。相反，它提供了下游检测器或 LLM Agent 可以运行在其之上的优先级排序层。

• 可扩展性： 它证明了使用低成本 LLM 对数百万个函数进行全操作系统规模的漏洞研究是可行的，前提是 LLM 是基于确定性的结构化特征而非原始代码进行工作的。
• 方法论转变： 它将漏洞研究从纯粹的分析问题重新定义为信息检索和候选人排序问题。
• 数据政策： 出于法律原因（Microsoft 二进制文件的版权）和双重用途担忧（提供排好优先级的攻击面图谱可能会辅助攻击者），作者并未公开衍生的数据集（函数级注释）。然而，该方法论是完全可复现的，可以使用公开的 Windows 二进制文件和符号服务器进行验证。

论文总结道，虽然该候选名单提高了问题的可处理性，但核心开放问题仍然在于：这个经过优先级排序的候选名单是否真的能比无信息搜索提高实际漏洞发现的产出率，这是一个留待未来通过校准循环和人工在环验证来解决的问题。