本文是首个针对 Apple AirDrop 与 Google/Samsung Quick Share 这两大近距文件传输协议的跨平台逆向工程与协议感知模糊测试研究。这两个协议被超过五十亿台设备使用，但因其实现均为专有且缺乏公开文档，其应用层安全属性此前几乎未被系统研究过。两者均可在无需任何预先配对的情况下通过无线近距触达，并在特权守护进程内处理复杂的序列化内容（如二进制 plist、CPIO 归档、Protocol Buffers、UKEY2 握手等），因此成为跨操作系统的高价值零点击攻击面。研究者首先通过二进制分析重建了 AirDrop 的七层状态机和 DVZip 自适应压缩机制，在此基础上构建了协议感知模糊测试工具 AirFuzz，该工具会在压缩前对表示层数据进行变异。同时，研究者还针对 Samsung 的 Quick Share 服务和 Google 的 Quick Share for Windows 进行了人工定向分析。研究共发现六个漏洞（V1-V6）：三个位于 macOS/iOS AirDrop 的认证前问题（V1：HTTP 路径路由器中的 Swift fatalError 拒绝服务；V2：Foundation 中无界 XML plist 递归；V3：Network.framework 的 HTTP/1.1 解析器中的空指针解引用）；两个位于 Samsung Quick Share 的协议层缺陷（V4：认证前 OfflineFrame 分发问题；V5：三种帧类型的 D2D 加密绕过）；以及一个 Google Quick Share for Windows 中的堆释放后使用漏洞（V6），Google 为此授予了漏洞赏金。所有发现均已负责任地披露，Apple、Samsung 和 Google 已确认相关报告。AirFuzz 工件已在 Zenodo 上公开，以支持透明性和可复现性（https://zenodo.org/records/20442029）。

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 Rust 二进制程序反编译结果不够简洁且保真度不足的问题。论文作者来自多个学术与安全研究机构（包括亚利桑那州立大学等），研究方向集中在程序分析、逆向工程与二进制安全。由于当前仅提供论文摘要（本输入中摘要内容缺失），无法获取具体的技术架构、实验设计或定量评估指标。从标题和学科背景推断，Oxidizer 可能利用 Rust 类型系统、所有权模型以及编译器中间表示等特有信息，来提升反编译代码的可读性和语义准确性，从而帮助逆向工程师更高效地分析 Rust 编写的软件。本文的主要贡献可能包括：提出一种针对 Rust 语言特性的反编译方案、设计新的中间表示转换或控制流恢复算法、以及在真实 Rust 编译产物上展示相比现有反编译器的改进。该研究面向安全分析人员、编译器开发者以及二进制逆向工程师，有助于提升 Rust 目标程序的漏洞分析与恶意代码检测能力。由于缺少具体摘要内容，所有细节均为基于标题的合理推断，阅读原文可获得确切结论。

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。

这篇论文针对 AI 智能体在网络安全领域的逆向工程（RE）能力评估问题，提出了一个全新且严格的基准测试 SRE-Bench。研究背景是：AI 智能体在源代码可用时已展现出强大的安全分析能力，但实际中许多关键软件（如恶意软件、固件、专有应用）仅以二进制形式存在，需要先进行逆向工程恢复语义才能分析。现有基准要么使用 LLM 训练集中可能出现的代码导致模型走捷径，要么规模不足。作者由逆向工程专家耗时 5000 多小时，从零构建了 19 个真实规模的私有程序（平均 16.9K 行代码），开发了 44 种内部反分析原语，生成了 262 个二进制实例和 1572 个可确定性评分的任务。他们在五个前沿大语言模型（GPT-5.6-sol、Claude-Opus-5、GPT-5.5、Grok-4.5、GLM-5.2）上进行了评估，发现最强模型 GPT-5.6-sol 在实例级别的平均得分仅为 61.4%，完全解决的比例只有 31.5%。进一步分析显示，智能体的行为与人类工程师显著不同，它们对编译器优化和静态链接的差异相对不敏感。受控消融实验证实，防止训练数据污染和保证真实规模都是构建有效基准的关键因素。这些结果表明，强大的源代码级安全能力并不会自动迁移到二进制分析场景，逆向工程仍是智能体网络安全的重大挑战，而 SRE-Bench 提供了一个严格衡量进展的测试平台。

该论文针对一款商用车制动电子控制单元（Brake ECU）的固件更新开展了逆向工程与差异二进制分析研究。作者首先分析了更新程序（updater executable）以提取其中包含的固件镜像，随后使用 QBinDiff 工具对基于 S12X 架构的固件版本进行补丁差异对比。研究聚焦于一次安全召回（safety recall）所引入的固件变更，发现这些变更实际上修复了遗留协议处理流程中未公开的多个漏洞。通过深入分析补丁前后的二进制差异，作者定位了具体修改的代码路径，并证明被修补的功能在修复前存在严重缺陷，且这些缺陷可被远程利用。该研究确认了此次安全召回不仅是一款产品缺陷修复，更是一次实质性的安全补丁更新。论文展示了在嵌入式车辆固件中，如何利用公开可得的升级包进行固件提取，以及如何借助二进制差异分析手段识别安全修复点，为同类车辆 ECU 固件的漏洞研究提供了一套可行的方法论。适合汽车安全研究人员、固件逆向工程师及关注供应链安全的蓝队人员阅读，以理解车载嵌入式设备中安全补丁分析的流程与潜在风险。

本文针对二进制函数嵌入模型（binary function embedding models）中引入调用图（call graph）上下文信息所带来的影响展开系统剖析。此类模型通过将二进制代码片段映射为向量表示，服务于代码搜索、漏洞检测、恶意软件分类等逆向工程任务。现有方法大多仅以函数本身为输入，忽略了函数间的调用关系；部分工作尝试通过图结构信息增强嵌入，但对其效果缺乏深入评估。 作者以两个当前最优的二进制函数嵌入模型为基础，利用多种基于图的模型（如GNN）将过程间上下文融合进函数嵌入，并在多个基准上对比了有无上下文时的表现。实验结果显示：(1) 调用图增强确实能提升二进制代码相似性检测（BCSD）的精度，但这种提升并不能自动转化为下游语义或句法任务的增益；(2) 模型在语义相似性任务上优化时，往往会导致句法任务性能的下降，表明二者存在权衡；(3) 通过数据集的解释性分析，作者发现调用图上下文显著增强了嵌入的稳定性，尤其在原始模型表现不佳的困难场景下，鲁棒性提升尤为明显；(4) 上下文信息对命名空间相关函数（如库函数）的嵌入帮助更大，而对逻辑独立型函数的贡献有限，表明调用图的价值高度依赖于使用场景。 该研究首次系统性地解构了调用图增强在二进制函数嵌入中的局限性与适用条件，为后续设计更有效的上下文感知嵌入式模型提供了实证依据和方向指引。

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 FidelityGPT，这是一个新型框架，通过系统地检测和纠正反编译代码与原始源码之间的差异，提升反编译代码的准确性和可读性。FidelityGPT 定义了针对闭源环境的失真提示模板，并结合了检索增强生成（RAG）和动态语义强度算法。该算法根据语义强度识别失真行，从数据库中检索相似代码。此外，还设计了变量依赖算法，通过分析冗余变量之间的依赖关系，将冗余变量名整合到提示上下文中，以克服长上下文输入的限制。这些技术综合使 FidelityGPT 成为首个能够有效解决基于 LLM 的反编译优化中失真问题的框架。我们在二进制相似性基准的 620 个函数对上评估了 FidelityGPT，实现了平均检测准确率 89% 和精确率 83%。与当前最先进的 DeGPT 模型（平均修复率 FR 83%，平均修正修复率 CFR 37%）相比，FidelityGPT 表现更优，平均 FR 达 94%，平均 CFR 达 64%，显著提高了准确性和可读性，突显了其在增强反编译方面的有效性，并有望推动逆向工程的发展。

本文提出 LiftFuzz，一个用于验证二进制提升器正确性的新型框架。二进制提升器将二进制代码翻译为中间表示（IR），广泛应用于逆向工程、二进制安全分析等场景，但其开发过程复杂且易出错。现有验证方法主要关注单条指令的正确性，忽略了指令间的交互，导致难以发现复杂缺陷。LiftFuzz 首次将指令上下文感知的模糊测试引入二进制提升器验证领域。其核心思想是利用汇编语言模型（基于 GPT 架构）学习指令序列的上下文依赖关系，并据此生成多样化的测试用例。具体而言，该模型以连续指令块为输入，预测可能的后续指令序列，从而构造包含指令间交互的代码片段。LiftFuzz 将这些代码片段编译成可执行程序，并在多个目标架构（如 x86-64、ARM64）上运行，比较不同提升器输出的 IR 语义等价性。实验表明，LiftFuzz 在测试效率上显著优于基线方法（仅需基线 1/1000 的测试用例），并在主流提升器中发现了 26 个不一致性缺陷，其中包含一类此前未被报道的缺陷类型（如因寄存器别名处理不当导致的语义错误）。这些缺陷可能导致二进制分析工具产生误判，影响安全应用的可靠性。本文的贡献包括提出了上下文感知的模糊测试框架、首次将语言模型用于测试用例生成，以及实际发现并分类了提升器中的一致性缺陷。适合对二进制分析、软件测试、AI 辅助安全工具开发感兴趣的读者。

该论文首次系统性地研究了大型语言模型（LLM）在软件逆向工程（SRE）中与人类分析师的协作效果。研究分为两部分：首先通过一项包含153名从业者的在线调查，记录了当前LLM在SRE领域的应用现状；随后设计了一项精细的人类实验，选取两个具有CTF风格的二进制程序（代表真实软件），对48名参与者（24名新手和24名专家）进行了超过109小时的逆向工程工作流监测。通过18项发现，论文揭示了LLM在SRE中的多重益处与危害。显著结果表明：LLM辅助缩小了专业差距——新手的理解率提升了约98%，达到专家水平，而专家获益甚微；但同时存在有害幻觉、无建议和低效结果。已知算法函数的分类速度提升最高达2.4倍，工件恢复（符号、注释、类型）增加至少66%。总体而言，研究发现人机协同在SRE中具有强大潜力，但也凸显了当前LLM集成中的显著缺陷。该研究为安全分析师、逆向工程师及AI辅助工具开发者提供了重要参考，有助于理解LLM在实际逆向任务中的真实效用与局限性。

本文提出了一种名为TRex的实用二进制代码类型重建方法。二进制代码缺乏类型信息，给逆向工程和安全分析带来困难。TRex通过结合静态分析和动态执行轨迹，利用符号执行和约束求解技术，从二进制代码中推断出变量的原始类型（如整数、指针、结构体等）。该方法设计了一套类型约束系统，能够处理常见的编译器优化和混淆，并在多种架构（x86、ARM）上验证了有效性。实验结果表明，TRex在重建类型准确率上优于现有工具（如TIE），且性能开销可接受。该工作对于恶意软件分析、漏洞挖掘和程序理解具有重要价值。

该论文提出了LLM辅助逆向工程中的表示混淆攻击（Representation-Confusion Attacks in Reverse Engineering, RARE），指出攻击者可以通过构造恶意二进制文件，使其中的字符串、反编译输出或工具报告在LLM驱动的逆解流水线中被错误地提升为指令、证据或可信分析状态，从而误导分析过程。论文首先构建了RARE-Bench基准测试，包含行为检查过的干净和对抗性二进制文件，并在11520次调用探索性研究后，使用20个新程序对两个模型进行了测试。结果表明，在没有运行时控制的情况下，模型在35/40个对抗性案例中提出了不安全的操作，而在干净案例中为0/40。即使将二进制内容仅作为数据展示（Data-Only渲染），模型仍提出了15个不安全建议。为此，论文提出了RARE-Guard防御机制，包括工具授权（Tool Authorization）和支持/溯源门控（Support Gate / Provenance Gate）。工具授权拒绝所有15个不安全建议，并授权所有40个匹配的分析师请求。支持门控通过分别计数来自不同来源的记录，验证了23/40个虚假声明；溯源门控则先按来源分组再计数，验证了0/40个虚假声明，并保留了所有40个支持声明。进一步在16个程序上对Ghidra、r2pipe和angr进行测试，在预选的8个程序子集中，单一工具的分析草案均未达到支持门控对虚假声明的验证阈值；而在所有16个程序的融合草案中，支持门控验证了32/32个虚假声明，溯源门控则阻止了所有32个虚假声明的验证并保留了所有32个支持声明。确定性渲染器防止了降级声明在最终报告中重新出现。论文结论是，二进制内容可以在不获得工具权威的情况下指导分析，且多个工具提供的视角不一定能提供独立证据。该研究揭示了LLM辅助逆向工程中潜在的安全风险，并提供了可落地的防御方案。

深度神经网络（DNN）在众多应用领域中展现出卓越性能，随着模型规模与复杂度的增长，硬件DNN加速器日益普及。基于FPGA的DNN加速器兼具接近专用集成电路（ASIC）的效率与出色的灵活性，成为快速演进的深度学习实现的主要硬件平台之一，尤其在边缘设备中。这也使其成为攻击者的有利目标。现有针对FPGA DNN加速器上DNN模型机密性的攻击往往假设攻击者完全了解加速器架构，但这一假设在真实世界的专有高性能FPGA DNN加速器面前并不成立。本研究提出了一套全面且有效的逆向工程方法，用于揭秘FPGA DNN加速器软知识产权（IP）核。我们以AMD-Xilinx的先进深度学习处理单元（DPU）为对象进行演示。该方法依赖于原理图分析，并创新性地结合电磁（EM）侧信道分析来揭示DNN加速器的数据流与调度机制。据我们所知，这是首次成功逆向工程商业加密DNN加速器IP的工作。此外，我们基于逆向工程结果探索了暴露的攻击面，包括成功恢复DNN模型架构和提取模型参数。这些成果对真实世界的商业FPGA-DNN加速系统构成了重大威胁。论文还讨论了潜在的防御措施，并为基于FPGA的IP保护提出了建议。

本文提出ASSERT（自动化安全概念结构提取与反向拓扑检查）框架，旨在解决NIS-2指令下从遗留IT安全概念（IT-SCs）向机器可读合规制品迁移的验证问题。现有研究主要聚焦于生成新概念，但缺乏对遗留文档的提取、验证与导出机制。ASSERT框架通过以下步骤实现：首先，利用基于本体的提取方法将遗留文档转化为形式化的文档图；其次，构建一个独立的参考状态图（基于BSI的Grundschutz++标准），并通过五类图差（新增、缺失、修改、未变化、冲突）进行确定性比较；最后，导出符合OSCAL模式的系统描述与评估证据。实验使用BSI提供的RecPlast数据集，比较了本地开源模型与商业模型在三种不同参考本体暴露配置下的性能。结果表明，ASSERT能够量化文档与基础设施间的不一致性，但存在发现未记录实体与强制模式之间的矛盾。该研究为合规审计中的逆向工程提供了新方法，适合安全合规工程师、审计人员及标准化研究者关注。

该论文提出 REFORGE 方法，旨在系统评估大型语言模型（LLM）在反编译二进制函数命名中的逆向工程能力。当前 LLM 在逆向工程中的应用日益增多，甚至有威胁情报报告显示它们已被用于真实攻防场景，但现有基准测试存在根本性问题：它们将函数级 ground truth 的构建视为已解决的预处理步骤，而忽略了编译器优化导致的二进制与源代码对齐不可靠性。作者认为，公平评估的主要障碍不是模型能力，而是对齐可靠性。为此，REFORGE 设计了一个带有完整来源追踪的流水线，从 C 源代码出发，经过编译、DWARF 调试信息提取、语法提取、对齐和反编译，最终构建函数级 ground truth。该流水线将对齐不确定性量化为一个八级置信漏斗和三层分级机制。在受控微基准测试中，高置信度样本的产出率从 87.2% 降至 65.9%（随优化级别变化），且非配对比较会因幸存者偏差高估优化导致的性能衰减。最后，对七个当代 LLM 在函数命名任务上的概念验证评估展示了该方法的效果，并推动了对不确定性感知基准测试实践的重视。

该论文针对基于P2P的非法流媒体生态系统，通过逆向工程手段对TV盒子中的软件进行了深入分析。研究首先揭示了该生态系统的整体架构，包括P2P协议的具体实现、节点发现机制、内容分发流程以及通信加密方式。作者通过静态分析和动态调试，还原了关键协议字段和握手过程，并识别出用于规避检测的混淆技术。在此基础上，提出了多种阻断策略：一是通过流量特征识别P2P节点通信，二是利用协议漏洞注入干扰包，三是通过DNS劫持或IP黑名单阻断节点接入。实验搭建了真实环境，测试了阻断方案的有效性，结果表明能够显著降低流媒体播放的成功率，且对合法流量影响较小。该研究首次系统性地解构了此类隐藏在电视盒子中的非法流媒体网络，为内容版权保护和网络安全防御提供了新的技术路径。

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反编译结果，并识别出影响其达成准确反编译的关键因素。此外，作者还通过受控用户实验，将修补不完美Python反编译的技术难度作为独立变量进行考察。研究发现，用户通常需要手动修正反编译器输出的错误，且错误类型复杂多样，包括控制流、变量命名、类型推断等问题。实验结果表明，即使经验丰富的逆向工程师也需要耗费大量精力才能修复反编译输出。该研究为提升反编译工具的性能和用户体验提供了实证依据。

本研究首次对苹果 AirDrop 和谷歌/三星 Quick Share 近距离文件传输协议进行了系统性的跨平台逆向工程与协议感知模糊测试。这两个协议被超过50亿设备使用，但其应用层安全属性此前鲜有研究，因为协议栈均为专有且未公开。协议无需预先配对即可通过无线近距离访问，并在特权守护进程中处理复杂的序列化内容（二进制 plists、CPIO 归档、Protocol Buffers、UKEY2 握手），使其成为跨操作系统的零点击攻击目标。研究团队对两个协议栈进行了二进制逆向分析，重构了 AirDrop 的七层状态机和 DVZip 自适应压缩算法，并开发了 AIRFUZZ，一种协议感知的模糊测试器，能够变异压缩前的表示层数据。此外，还针对三星 Quick Share 服务和谷歌 Quick Share for Windows 进行了手工分析。研究发现了六个漏洞（V1-V6）：三个 macOS/iOS AirDrop 的预认证问题（V1：HTTP 路径路由器的 Swift fatalError 拒绝服务；V2：Foundation 中无界 XML plist 递归；V3：Network.framework 的 HTTP/1.1 解析器中的空指针解引用），两个三星 Quick Share 的协议层缺陷（V4：预认证 OfflineFrame 分派；V5：三种帧类型的 D2D 加密绕过），以及一个谷歌 Quick Share for Windows 中的堆释放后使用漏洞（V6），谷歌为此颁发了漏洞奖金。所有发现均已负责任披露，苹果、三星和谷歌已确认报告。

本文针对现代CPU微架构中非线性缓存切片函数（cache-slice functions）的逆向工程提出了创新方法。由于CPU缓存是微架构攻击（如Spectre、DRAMA等）的关键组件，理解其寻址机制对攻击者和防御者都至关重要。然而，Intel混合微架构（如Alder Lake、Meteor Lake）中复杂的非线性哈希函数使得传统逆向工程方法耗时数天甚至无法完成。作者通过深入分析微架构哈希函数的特定结构，设计了一种自动化工具，将逆向时间从数天缩短至分钟级。该方法可处理高达512 GB内存及多种切片配置的系统，成功识别了13个新的缓存切片寻址函数，并扩展了现有函数对多代CPU的支持。此外，论文揭示了非线性切片函数复杂性带来的直接后果：非特权攻击者可利用其构建虚拟到物理地址的oracle，从而泄露物理地址信息。在三个案例研究中，作者展示了该方法在非攻击者映射内存上执行定向Spectre攻击、实现DRAMA攻击以及创建缓存驱逐集的实际效果。结论强调，现代CPU中复杂的缓存切片函数显著增加了攻击面。

在二进制逆向工程中，函数名是理解程序行为的关键线索，但剥离二进制文件（stripped binaries）中丢失了符号信息。现有方法通常利用静态特征或控制流图进行函数名预测，但忽略了代码执行过程中的动态语义和上下文敏感信息。本文提出 SymLM（Symbol Learning through Language Models with Execution Awareness），一种结合静态分析、动态执行轨迹和语言模型的全新框架，旨在为剥离二进制中的函数自动生成语义丰富的名称。该方法首先通过轻量级二进制插桩收集函数粒度的执行轨迹，提取内存访问模式、系统调用序列等运行时行为特征；同时利用静态反汇编构建上下文敏感的代码嵌入（包括调用上下文、数据依赖关系）。然后，设计一种双编码器架构：一个编码器处理静态控制流与数据流图，另一个编码器处理动态执行序列，两者通过注意力机制融合形成统一表示。最后，将该表示输入基于 Transformer 的解码器，以自回归方式预测函数名。在包含常用库和恶意软件样本的大规模数据集上，SymLM 在 top-1 准确率和命中率上均显著优于现有基线（如 DEEPMEM、Asm2Vec），尤其在处理复杂的系统级函数和混淆代码时表现出强鲁棒性。实验还证明，模型能够泛化到未见过的新二进制和编译器版本。该工作为自动化逆向分析、漏洞发现和恶意软件分类提供了实用的辅助工具，展示了将运行时语义融入代码表示学习的巨大潜力。

本文提出了一种名为 IDIOMS 的神经反编译框架，旨在解决传统反编译工具因编译信息丢失而无法恢复变量名、类型名等代码可读性特征的问题。现有神经反编译方法在处理真实代码时存在严重局限，例如无法为用户自定义的复合类型提供类型定义。IDIOMS 通过一种简单且可泛化的方法，对任意大型语言模型（LLM）进行微调，使其成为能够同时生成反编译代码和相应用户自定义类型定义的神经反编译器。此外，作者创建了名为 REALTYPE 的新数据集，其中包含比现有基准更复杂和真实的类型。实验表明，在最具挑战性的现有基准 EXEBENCH 上，IDIOMS 达到了 54.4% 的准确率，优于 LLM4Decompile 的 46.3% 和 Nova 的 37.5%；在 REALTYPE 数据集上，IDIOMS 的性能至少提升 95%。该研究对逆向工程和安全分析领域具有重要价值。

本文提出了第一个针对 Intel 微码的静态和动态分析框架。微码是 x86 处理器内部用于将复杂指令分解为简单微操作的抽象层，但 Intel 对其细节保密，且微码补丁经过签名和加密以防止未授权修改。此前研究已恢复 Goldmont (Atom) 微码的明文和逆向工程调试机制，使得分析和定制成为可能。本文在此基础上，逆向工程了 Goldmont 微码的语义并重建了补丁原语。静态分析方面，实现了 Ghidra 处理器模块用于反编译和分析解密后的微码；动态分析方面，创建了 UEFI 应用程序，可以在 Goldmont 系统上跟踪和修补微码以提供完全控制。利用该框架，作者逆向工程了 Intel 机密微码更新算法，并对其设计和实现进行了首次安全分析。通过三个案例研究展示了微码定制的潜在安全和性能优势：首次实现了 x86 指针认证码 (PAC) 微码实现及安全评估；设计并实现了比标准断点快 1000 倍以上的快速软件断点；以及常量时间微码除法，展示了微码定制的安全性提升。

本文提出CRESS（通用反向工程评分系统），旨在量化硬件反向工程（RE）相关攻击场景的脆弱性。微电子系统的安全依赖于可信的供应链和设计流程，但全球分布的供应链或设计缺陷可能导致硬件层面攻击，如伪造、硬件木马或设备攻击。这些攻击常依赖硬件反向工程结果。现有CVSS（通用漏洞评分系统）虽广泛用于软件漏洞，但无法充分评估RE场景的独特性。本研究将原先定性的CRESS系统扩展为定量系统：通过与领域专家深度访谈，推导出不同RE攻击类别的权重，形成量化方程，输出CRESS分数以指示场景严重性。为验证有效性，对六个案例进行了定性和定量评估。结果表明，CRESS分数比CVSS更具表达力，能更一致地评估新场景并支持制定有效对策。本文适合硬件安全工程师、供应链安全分析师及漏洞评估研究人员阅读。

本文针对深度神经网络（DNN）二进制的逆向工程攻击提出了一种加固方案。DNN模型因其训练过程中涉及的专业知识、机密数据和高昂开发成本而成为专有资产。经过充分训练的DNN模型通常被编译成DNN二进制文件，以便在边缘设备、云基础设施等各种平台上高效执行。然而，近期关于DNN二进制反编译的研究表明，通过二进制逆向工程技术窃取DNN模型是可行的。虽然混淆是阻碍二进制逆向的成熟技术，但由于DNN二进制具有独特的结构特性（如权重参数、层结构等），通用混淆方案无法有效隐藏其中的信息。为此，本文设计了一种针对DNN二进制的专门加固方法，在保持模型推理性能的同时，显著提高攻击者逆向分析和提取模型参数的难度。实验结果表明，该方法能有效抵御多种逆向攻击，且引入的运行时开销较低。该研究为保护DNN模型的知识产权提供了新的技术手段。

本文对 DJI 无人机中 DroneID 系统的安全性进行了深入分析。DroneID 是 DJI 自 2019 年起强制在其消费级和专业级无人机中集成的远程身份识别和广播系统，用于向监管机构和公众广播无人机的位置、高度、速度等信息。研究者通过逆向工程、固件分析、硬件调试和无线电信号解码等手段，系统性地检查了 DroneID 的实现。他们发现 DroneID 使用了自创的、非标准的协议，其中包含了多个严重安全漏洞：首先，DroneID 数据包未加密传输，任何具备 SDR 设备的观察者都能截获并解析无人机身份和位置信息；其次，DroneID 身份标识可以轻易伪造，攻击者可以冒充合法无人机发送虚假位置信息，或隐藏真实无人机；第三，协议缺乏完整性校验，允许攻击者篡改正在广播的数据；最后，研究者还发现了硬件层面的调试接口泄漏，可提取加密密钥。这些漏洞组合起来可能导致无人机被远程劫持、隐私大规模泄露、监管数据不可信等严重后果。作者在负责任披露后，DJI 部分承认问题并在后续固件中尝试缓解，但核心协议缺陷依然存在。本文适合无人机安全研究者、物联网安全从业者及监管机构阅读。

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。

该论文研究了面向软件逆向工程的多智能体系统在分析二进制可执行文件时面临的提示注入攻击威胁。攻击者可将恶意注入字符串嵌入源代码或编译产物中，当AI代理解析反编译输出时触发异常行为。作者首先展示了如何利用现有反编译器检测被篡改后的可执行文件中的注入字符串，并系统评估了多种检测方法的有效性，包括基于正则表达式、特征签名以及机器学习分类器的方案。随后，论文重点探索了攻击者可能采用的混淆技术，如代码流平坦化、指令替换、字符串加密等，使注入内容更难被静态分析捕获。针对这些混淆手段，作者又提出了相应的防御策略，包括动态污点追踪、语义哈希过滤以及上下文感知的提示清理机制。实验基于一组公开的恶意软件样本和人工构造的对抗样本进行，结果表明：在无混淆场景下，基于上下文的检测器可达到95%以上的召回率；面对中等强度的混淆，综合使用静态与动态检测能将准确率维持在85%左右；而高度混淆的对抗样本仍能绕过部分检测，形成约10-20%的漏报率。论文最终指出，当前技术尚无法完全消除此类攻击风险，但通过多阶段检测与输入规范化，可大幅降低实际运营中的威胁。该工作对将AI代理部署到生产环境的逆向工程平台、安全分析流水线及漏洞挖掘系统具有直接指导意义。

该论文研究了针对大型语言模型（LLM）驱动的逆向工程 AI 代理的自动化攻击方法。随着 LLM 被集成到如 Ghidra 等二进制逆向工程工具中，自动化分析流程得以实现，但同时也引入了新的安全风险。作者提出了一种基于遗传算法的提示生成技术（AutoDAN 的变种），用于欺骗 LLM 驱动的反汇编和反编译系统，使其错误理解二进制可执行文件，从而破坏分析输出。该方法利用 LLM 在处理反编译代码时对提示注入的脆弱性，通过在二进制文件中插入不影响功能的额外字符串变量赋值，向 LLM 传递隐蔽指令。实验通过多个简洁示例展示了该攻击的有效性，证明攻击者能够绕过依赖 LLM 分析的自动化检测系统。该研究揭示了将 LLM 集成到网络安全工具链中的安全隐患，并为构建更稳健的自主代码分析系统提供了见解。适合安全研究人员、LLM 安全工程师及逆向工程工具开发者阅读。

该论文针对商业代码虚拟化混淆器（如Themida、VMProtect）提出了一种名为“选定指令攻击”（Chosen-Instruction Attack）的新方法。代码虚拟化是一种高级混淆技术，通过自定义虚拟机（VM）模拟原始指令的语义，使得逆向工程极其困难。恶意软件开发者常滥用此类商业混淆器隐藏恶意行为。由于商业混淆器的内部机制是黑盒，分析人员需要在大规模高度混淆的程序上进行逆向工程，成本高且不精确。论文的核心思想是：攻击者可以主动选择并输入特定指令，观察混淆器对这些指令的翻译输出，从而推断虚拟机内部的操作码、执行逻辑等关键信息。该方法不需要对混淆器进行静态逆向，而是通过动态多对一的指令映射分析，逐步恢复原始程序的语义。实验结果表明，该攻击能够有效针对多个商业混淆器，显著降低反混淆的复杂度和时间开销。论文的主要贡献包括：揭示了商业混淆器的可攻击性，提出了一种实用的黑盒分析方法，并提供了评估基准。适合逆向工程、恶意软件分析和软件安全领域的研究人员与从业者阅读。

该论文首次对苹果的私有云计算（Private Cloud Compute, PCC）系统进行了逆向工程分析，旨在评估其隐私保护声明的可信度。PCC是苹果为在移动设备上集成AI而设计的隐私优先计算架构，其核心宣称包括不存储用户数据、用户输入与账户不可关联。尽管苹果公开了大部分系统规范，但编译后的二进制文件缺乏符号、不可重现构建，导致规范与实际部署之间存在潜在差异。此外，底层模型和查询接口未公开，限制了学术评估。研究者通过逆向工程移动设备上的PCC实现，成功打开了非公开接口，允许在本地设备上执行自定义PCC查询，并独立对PCC模型进行了基准测试。他们发现当前实现中存在一些与隐私承诺的偏差，例如某些日志行为可能暴露用户交互信息。该研究还公开了PCC基准测试框架，为后续隐私评估提供了工具。主要贡献包括：首次详细的PCC逆向工程、开放非公开接口、独立模型性能评估以及公开测试框架。适合关注移动AI隐私、苹果安全架构以及云隐私方案验证的研究人员和安全从业者阅读。

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。传统的确定性反编译器虽然实用，但在推断惯用语法和标识符名称方面存在困难。生成式AI模型天然适合重构高级语法、标识符和类型，但可能会产生幻觉，生成不正确的编程结构和语义。本文提出了Decaf（DECompilation with Automated Feedback，自动反馈反编译）系统，其核心思想是：不是通过更多数据和更多训练来改进神经反编译器，而是利用编译器反馈通过搜索来大幅提升神经反编译器输出的语义正确性。具体地，Decaf在反编译器生成多个候选代码后，使用编译器对候选代码进行编译并检查是否与原始二进制代码在语义上等价（例如通过比较执行结果或二进制相似性），从而筛选出最符合语义的候选。实验基于ExeBench数据集，在Real -O2优化级别上，Decaf将神经反编译的成功率从26.0%提升至83.9%，且不牺牲与原始源代码的相似性。此外，该自动反馈方法对于较弱的神经反编译模型同样非常有效。该研究为机器学习驱动的反编译提供了新范式，证明了结合编译器反馈和搜索可以显著改善反编译质量，对于逆向工程、恶意软件分析、遗留代码理解等领域具有重要价值。

该论文针对虚拟化混淆（virtualization-based obfuscation）产生的二进制代码分析难题，提出了一种基于大语言模型（LLM）的结构化分析方法。虚拟化混淆会将原始代码转换为极其庞大且结构复杂的中间表示，导致传统LLM因输入长度限制和缺乏大规模标注数据而难以直接处理。研究者将问题聚焦于结构分析而非完整的语义理解，通过将混淆后的二进制文件分解为最大的语义连贯单元（即片段），使其符合LLM的上下文窗口限制，并依据这些片段在混淆结构中的角色（如虚拟机入口、解释器循环、操作码处理等）进行自动标注。他们实现了一个静态分析框架，能够自动完成碎片化、标注和数据集生成，从而无需人工标注即可构建大规模训练数据。实验使用多个真实世界的虚拟化混淆器（例如基于虚拟机架构的混淆工具）进行测试，结果表明该框架生成的片段在LLM分析中表现出较高的准确性和覆盖度，能够有效识别混淆代码的结构特征。该工作为LLM在恶意软件分析、逆向工程等场景中处理高度混淆代码提供了可行的数据生成和分析范式。

该论文提出了 REBENCH，一个用于评估大型语言模型（LLM）在二进制逆向工程任务中性能的标准化基准数据集。当前，LLM 在计算机安全领域，尤其是逆向工程中的函数名恢复、变量名恢复和类型推断等任务上取得了显著进展。然而，由于缺乏标准化的数据集，不同研究使用不同的数据集、预处理流程和评估指标，导致结果难以公平比较，也阻碍了对 LLM 在二进制分析中能力的清晰认识。REBENCH 旨在解决这一问题，它整合了现有多个数据集的超集，包含数亿行源代码以及跨多种架构（如 x86、ARM）和优化级别的多样化二进制文件。该方法基于知识库驱动，通过存储字节级堆栈信息来生成真实标签（ground truth），从而在保持任务难度的同时确保通用适用性。这种设计避免了可能引入偏见的简化，使得跨不同任务的评估更加公平。作为用例，作者使用 REBENCH 测量了多个 LLM 在逆向工程任务上的表现，结果显示在复杂任务上仍存在困难。该基准为研究人员提供了一个统一、可复现的评估平台，有助于推动 LLM 在二进制分析领域的进步。