The Evolution of Binary Decompilation in the Modern Era: A Taxonomy, Literature Review, and Future Perspectives
本文对现代二进制反编译方法论进行了系统综述和全面的分类法研究，强调了诸如缺乏标准化基准等当前挑战，并概述了由机器学习集成所驱动的未来研究方向。
原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
想象一个这样的世界：运行我们计算机的指令是用一种人类肉眼无法看见的语言编写的。当程序员编写软件时，他们使用的是一种逻辑清晰、易于阅读的高级语言，就像书中的句子一样。然而，在软件能够在机器上运行之前，它必须被翻译成一种由数字和符号组成的密集低级代码，这是计算机处理器能直接理解的形式。这种翻译过程对机器而言是高效的，但对人类读者却是破坏性的；它剥离了原始的结构、变量名称和逻辑流，留下了一串杂乱无章的指令序列。有时，原始源代码会永远丢失，或者被其创造者保密。在这些时刻，安全专家和软件工程师需要一种逆转这一过程的方法。他们需要将那些杂乱的机器代码翻译回看起来并运行起来都像原始程序的东西。这种翻译行为被称为反编译。它是理解恶意软件如何运作、修复旧系统漏洞，或仅仅是在没有手册的情况下弄清楚一段软件如何运行的关键工具。几十年来，这一直是一个困难的谜题，依赖于僵化的规则和人类的直觉。但最近，由于新方法的出现，该领域开始发生变化，这些方法通过从数据中学习而非仅仅遵循固定的指令来驱动发展。
韩国成均馆大学的研究团队对这一不断发展的领域进行了全面的观察。他们对过去几十年间发表的六十六项研究进行了系统性回顾，以绘制出这项技术是如何进步的。他们的目标是理解研究人员尝试解决将机器代码翻译回可读源代码问题的不同方式。他们将发现的结果组织成一个清晰的结构，将工作分为两个主要类别：一种是试图从头到尾翻译整个程序的系统，另一种是专注于解决更小的特定部分（如猜测变量名称或理解程序如何在不同代码段之间跳转）的系统。研究人员发现，该领域已经经历了不同的技术世代。最早的现代方法出现在 20 世纪 90 年代，它们依赖于模仿编译器构建软件步骤的传统工程方法。这些系统遵循一个严格的流水线：首先将机器代码分解为汇编指令，然后将这些指令提升到中间格式，分析数据如何在程序中移动，最后重建高级代码。虽然这些工具目前仍被广泛使用，但当代码经过高度优化或混淆时，它们往往会表现挣扎，生成的输出在技术上是正确的，但对于人类阅读来说却很难理解。
该综述强调了一个显著的转变，即大约在 2018 年左右，研究人员开始将机器学习应用于这一问题。这些新系统不再仅仅依赖于僵化的规则，而是利用神经网络——一种受人类大脑启发的计算模型——直接从海量数据中学习翻译模式。其中一些新工具尝试进行端到端的代码翻译，将机器指令视为一种需要被翻译成编程语言的外语。另一些则采用混合方法，将机器学习的模式识别能力与传统分析的逻辑精确性结合起来。研究人员观察到，尽管这些神经方法在适应不同类型的计算机架构方面展现出了巨大的潜力，但它们尚未达到完美。它们有时会生成看起来正确但行为与原始程序不同的代码，或者当输入代码对于模型一次性处理而言过于长或过于复杂时，它们可能会失效。
研究的一个重要部分聚焦于研究人员如何衡量成功。作者发现该领域存在着令人担忧的缺乏标准化的现象。并没有一套所有研究人员都使用的统一、公认的测试用例来比较他们的工具。有些研究在开源软件上测试其系统，而另一些则使用恶意软件样本或随机生成的程序。这使得很难判断哪种工具才是真正最好的，因为它们的测试对象往往不同。此外，研究人员指出，对于许多此类测试来说，并不存在可靠的“地面真值”（ground truth）。由于原始源代码通常缺失，很难确定反编译输出是否准确。该综述还指出，许多研究并不分享其代码或数据，这减缓了进展速度，并使他人难以验证结果。研究人员确定了该领域必须应对的十四个主要挑战。其中包括需要更好的基准测试、处理被刻意隐藏或混淆的代码的难度，以及缺乏能够解释反编译为何失败的工具。他们还注意到，尽管这项技术具有显著的现实影响，但在学术论文中很少讨论逆向工程的法律和伦理意义。
最终，论文表明，反编译的未来在于结合不同方法的优势。最值得期待的前进路径是利用机器学习来处理那些难以用规则定义的翻译部分，同时利用传统分析来确保最终结果在逻辑上是稳健且安全的。研究人员强调，为了让反编译成为一门真正可靠的科学，业界需要就如何测试这些工具达成共识，更开放地分享数据，并开发出更好的方法来验证翻译后的代码是否确实执行了原始程序的功能。在采取这些步骤之前，这项技术仍将是一种强大但并不完美的工具，它能够揭示机器的秘密，但仍需要人类细致的解读。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。