反编译是逆向工程中的核心环节，也是恶意软件分析、漏洞研究等工作的重要前置步骤。虽然自动化反编译器能够将低级指令转换为近似的高级语言，但面对混淆、内联和隐晦的API使用，产出的伪代码经常难以阅读，仍需分析师花费大量精力进行人工梳理。既有研究主要关注如何改进反编译算法，而鲜少有工作从人类认知层次出发，追问为什么有经验的分析师能更快地得出正确结论。本文正是针对这一空缺，研究了人类专家在反编译过程中的真实行为，试图发现其中可学习、可复用的启发式模式。方法上，论文设计了与反编译相关的实验任务，收集参与者在任务期间的交互数据与口头报告（典型的认知任务分析），从中归纳出若干策略。可能的策略包括但不限于：先直觉性地根据字符串、符号表或API习惯建立对代码功能的大致假设，再围绕假设验证关键路径；在遇到复杂控制流时，先梳理数据依赖再还原语义；以及更偏好循环和递归结构的复原，因为这类结构便于建立心智模型。核心贡献包括提出了一个表征人类反编译行为的分类框架，并揭示了这些行为如何映射到对工具的功能期望。基于该框架，作者给反编译工具的交互设计提出了若干建议，例如集成上下文感知的符号提醒、允许分析者在图上记录假设、以及自动将二元结构映射为高层概念。实验部分，作者通过定量指标（如完成时间、准确度）与定性编码相结合，证实了上述策略的有效性差异，并发现某些被新手忽视的细节（如异常处理路径）往往是正确理解代码的关键。文章还讨论了自动化工具与人各自的能力边界，提出混合分析的设想。本文适合安全分析师、漏洞研究员、反编译工具开发者以及安全培训讲师阅读。尽管当前仅见摘要，但论文揭示的'人类如何思考代码'这一黑盒，可能为下一代人机协同的恶意软件分析工作台提供工程与教育方向。