该论文提出了一种新颖的 AI 增强静态分析方法，旨在弥合传统静态分析中启发式方法与完备性之间的鸿沟，为实用的逆向工程提供可靠解决方案。逆向工程面临诸多挑战，如代码与数据交织、缺少名称/类型/栈帧、编译器激进优化以及各种混淆技术。传统静态分析工具依赖基于启发式的策略，但易受特定模式限制且泛化能力不足。近年来，AI 技术在从低级表示中预测高级语义结构方面展现出潜力，例如通过深度学习模型推断丢失的编译时信息。然而，纯 AI 方法在安全关键的二进制分析中往往难以保证完备性和可靠性。为此，论文提出了 AI 与静态分析的协同框架：用 AI 替代脆弱的启发式规则以增强泛化能力，同时利用静态分析提供的最佳努力完备性来强化 AI，满足安全应用的严格要求。研究聚焦于三个在学术研究和现有工具中服务不足的关键逆向工程任务：指令边界识别、函数边界识别以及控制流图（CFG）的构建，特别是针对间接调用目标的解析。最终目标是开发一个端到端的反汇编框架，实现 AI 与静态分析的深度融合。实验部分预期将展示该方法在准确性和完整性上优于现有纯静态或纯 AI 方案。该工作适合二进制安全分析师、逆向工程师以及编译器/静态分析工具开发者阅读。

该论文通过一个竞赛理论模型研究了AI增强的攻防投资博弈。攻击者和防御者在多个攻击表面上分配资源，其中攻击者的投资通过两个渠道发挥作用：无条件增强攻击能力，以及条件性削弱防御效能，从而产生一个随防御者自身投资而内生深化的“对手折扣”。作者推导出闭式军备竞赛比率，将攻防投资的相对边际有效性分解为六个结构性基元，并证明了在连续最佳反应动态下均衡的唯一性和全局收敛性。核心结果围绕信号互相关性——即一个攻击表面上的威胁情报对另一个表面检测的告知程度。当信号完全互相关时，军备竞赛比率与攻击表面数量无关：攻击者从表面扩散中获得的结构性优势被完全中和。在基准的完全稀释情形下（无互相关），每个表面的防御有效性随攻击表面增加而消失。扩展到异质性防御者面对按期望值攻击的攻击者时，模型指出双重无效率：私人防御的过度投资（零和转移外部性）和共享信号互相关的投资不足（公共物品）。这些形式化结果，结合基本模型之外的公共物品推理，刻画了在对抗性竞赛中集体信息聚合何时能够主导私人能力投资成为决定性因素。