该论文提出了一种名为 Disa 的基于学习的静态反汇编方法，旨在解决反汇编中指令边界和函数边界识别这一核心难题。传统反汇编方法依赖文件格式假设和架构特定启发式规则来猜测边界，在二进制文件被混淆时容易出现不完整或错误的反汇编结果。近年来，深度学习方法已被证明能提升反汇编的准确性和效率。Disa 利用超集指令（superset instructions）信息，通过多头自注意力机制（multi-head self-attention）学习指令之间的相关性，从而推断函数入口点和指令边界。此外，Disa 还能识别与内存块边界相关的指令，辅助基于块内存模型（block-memory model）的值集分析（value-set analysis），以生成更精确的控制流图（CFG）。实验表明，Disa 在函数入口点识别上优于先前的深度学习方法，在分别经过反汇编失同步（disassembly desynchronization）技术和流行源码级混淆器处理后的二进制上，F1 分数分别提升了 9.1% 和 13.2%。在内存块精度方面，Disa 实现了 18.5% 的提升，相比最先进的基于启发式的方法，平均间接调用目标数（AICT）减少了 4.4%，从而生成更准确的 CFG。该研究适用于漏洞检测、恶意软件分析、二进制加固等安全场景，适合逆向工程和二进制分析方向的研究者与工程师阅读。