Faultless: A Program Equivalence Technique for Validating and Evaluating Neural Decompilers
该论文聚焦神经反编译器（neural decompiler）的可信度问题。神经反编译器是采用机器学习模型完成反编译任务的系统，作用是把低层语言（如汇编/中间表示）提升为高层语言（如 C 代码）。相比传统确定性反编译器，它的核心优势在于能够以
#decompilation
共收录 15 条相关情报。
← 返回所有主题Echo: Learning-based Matching Decompilation using Trusted Back Translation
本文提出 Echo，一个基于“可信反向翻译（trusted back-translation）”的匹配式反编译系统。研究背景是：神经反编译器虽能从二进制中恢复可读、可重新编译的源代码，但其输出缺乏可信度保证——模型可能生成语义上与原始程序不
When LLM Decompilers Recompile More and Preserve Less
该论文针对LLM反编译器评估标准提出质疑。当前LLM反编译器能将机器码还原为代码风格更干净的C代码，评估几乎只看输出是否可以重编译并顺利通过配套的输入/输出测试。作者Leu等发现这种度量会奖励错误轨迹：函数可以重新编译并通过所有提供的测试，
Decomperson: How Humans Decompile and What We Can Learn From It.
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
CHISEL-ing Back Source Code with AI-enabled Iterative Recovery
本论文提出 CHISEL，一个无需测试套件的迭代式源码恢复框架，旨在改进二进制反编译的质量。传统反编译器（如 Ghidra）生成的伪 C 代码难以阅读且通常无法直接编译；而近年来基于大语言模型（LLM）辅助的反编译方法虽然能生成可读性较好的
The Evolution of Binary Decompilation in the Modern Era: A Taxonomy, Literature Review, and Future Perspectives
本文是一篇关于二进制反编译技术在现代计算环境中的系统性综述。反编译作为软件工程与安全分析的基础技术，旨在将机器码或二进制程序还原为高级语言表示，广泛用于恶意软件分析、漏洞挖掘、遗留代码维护和软件可追溯性验证。近年来，随着机器学习（ML）方法
Oxidizer: Toward Concise and High-fidelity Rust Decompilation.
本论文（arXiv 论文，标题为《Oxidizer: Toward Concise and High-fidelity Rust Decompilation》）提出了一款名为 Oxidizer 的 Rust 反编译工具或框架，旨在解决 Ru
Statistical Analysis of Executability and Program Equivalence in Decompilation for IoT Vulnerability Detection
本文针对物联网（IoT）固件漏洞检测中的反编译质量问题展开研究。IoT 设备常处理音频、视频、认证数据等敏感信息，其固件漏洞检测至关重要。反编译是关键技术之一，而基于大语言模型（LLM）的反编译工具虽能提供高可读性和高重编译成功率，但由于
FidelityGPT: Correcting Decompilation Distortions with Retrieval Augmented Generation.
反编译是将机器码转换为人类可读格式的关键技术，在缺少源码时辅助分析与调试。然而，反编译结果存在保真度问题，影响可读性和准确性。现有方法如变量重命名和结构简化只能部分解决，尤其在复杂的闭源二进制场景下，缺乏有效的检测和校正。为此，我们提出 F
Poster: Code HarvETHter: Corpus-Driven Decompilation of Ethereum Smart Contracts.
该论文提出了一种基于语料库驱动的以太坊智能合约反编译方法，名为Code HarvETHter。反编译是以太坊安全分析的关键步骤，因为智能合约通常以字节码形式部署，难以直接分析。现有的反编译工具往往依赖于静态规则或模式匹配，存在精度低、可移植
Walking The Last Mile: Studying Decompiler Output Correction in Practice.
本论文首次开展了大规模的人类辅助Python反编译实践研究。研究数据来自pylingual.io平台，涉及181,646个PYC二进制文件、9,003个用户提交的修补补丁以及393个经过准确性验证的补丁。论文分析了逆向工程师如何应对不准确的
Multi-View Decompilation for LLM-Based Malware Classification
本论文探讨了在缺乏源代码的情况下，利用大语言模型（LLM）对恶意软件进行二进制代码分类的问题。传统方法通常依赖单一反编译器生成的伪C代码作为LLM输入，但反编译器是有损的启发式工具，不同反编译器可能揭示同一二进制文件的不同特征。为此，作者构
SCDBench: A Benchmark for LLM-Based Smart Contract Decompilers
智能合约反编译旨在从字节码恢复高级语言源代码，但现有评估方法存在数据集狭窄、指标不一致、语义一致性检查有限等问题。随着大型语言模型（LLMs）开始生成看似合理但语义可能偏离原始合约的Solidity代码，这一问题变得日益重要。本文提出SCD
Decaf: Improving Neural Decompilation with Automatic Feedback and Search
反编译器是逆向工程中用于从编译后的二进制代码重构源代码的重要工具。然而，由于编译器在将人类可读的代码转换为低级机器码时，会丢失高级语法、标识符和自定义数据类型等信息，因此从编译后的二进制代码中重构源代码是一项具有挑战性的任务。传统的确定性反
SCRIBE: Practical Static Binary Patching via Binary-Aware Recompilation of Decompiled Code
该论文提出了一种名为SCRIBE的实用静态二进制补丁框架，旨在解决在没有源代码或原始工具链时，通过解编译后重编译进行二进制补丁的困难。现有解编译器（如Hex-Rays）输出的代码存在大量语法和语义不准确，导致重编译失败或补丁不正确。SCRI