本文提出 DnD, 一种跨架构的深度神经网络反编译器 (DNN Decompiler), 旨在解决传统反编译器 (如 Hex-Rays) 依赖人工编写规则、难以推广到新指令集架构的问题。核心方法是将不同架构的汇编指令统一 token 化, 并利用基于 Transformer 或 LSTM 的序列到序列 (Seq2Seq) 模型, 将汇编指令序列翻译为可直接阅读的 C 语言伪代码。针对跨架构带来的 token 空间差异, 该工作设计了架构敏感的嵌入表示和共享子词单元, 使模型能够从多个架构的混合数据中学习通用语义。训练数据通过编译优化选项多样化生成, 并利用注意力机制对齐汇编与源码。实验部分在 x86、ARM 等架构的二进制上进行了评测, 生成的伪代码在语法正确性和语义相似度上优于传统工具, 且显著减少人工逆向的工作量。该工作展示了深度学习在二进制逆向中的应用潜力, 为后续 AI 辅助漏洞分析提供了基础。适合二进制安全研究员、逆向工程师和 AI 安全交叉领域学者阅读。

本文提出 D-Helix，一个通用的反编译器测试框架，利用符号微分技术自动生成具有可控复杂度的测试程序。现有反编译器测试方法依赖手动编写的测试用例或随机生成的代码，难以覆盖各类反编译器的不同编译优化选项和目标架构。D-Helix 的核心思想是将测试程序视为数学函数，通过符号微分求导生成新函数，从而保留原始语义的同时改变语法结构。该框架支持生成可编译、可执行且语义等价的程序变体，能够系统性地测试反编译器的正确性、鲁棒性和性能。作者在多个主流反编译器（如 Ghidra、IDA Pro、Binary Ninja）上进行了实验，覆盖 x86、ARM 和 MIPS 架构，发现了若干之前未知的 bug，包括反编译引擎的崩溃、控制流错误和类型推断错误。实验表明，D-Helix 在代码覆盖率和新 bug 发现能力上显著优于现有方法。该工作为反编译器测试提供了自动化、可扩展的新途径，有助于提升软件逆向工程工具的可信度。