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一致的代码，而使用者难以察觉。匹配式反编译（matching decompilation）试图通过另一种方式建立信任：搜索一份源代码，使其在重新编译后生成的汇编与目标二进制的汇编完全一致，一旦精确匹配成立，就等于提供了较强的正确性证据。问题在于，面对经过优化的二进制且编译配置未知（优化级别、编译器版本、编译选项、内联策略等都可能未知）时，做到逐指令精确匹配极为困难。Echo 的核心洞察是把“编译”从单纯的验证手段升级为可信反馈信号，用于引导迭代式搜索：系统首先用一个领域专用模型生成候选程序及其可能的编译配置；随后对这些候选逐一重新编译，度量其汇编与目标汇编的相似度，并据此合成更有希望的“代码—配置”组合，形成搜索闭环；对于仍然存在的差异，Echo 依次采用基于规则的改写、神经网络精化以及基于推理的精化三个阶段逐步修复不匹配之处。评估方面，作者在函数级基准测试以及真实恶意软件二进制 Mirai 上进行了对比。结果显示：与最强基线相比，Echo 平均产生 2.43 倍的精确匹配，并在与真实源代码的结构相似度上取得最高分；在 Mirai 样本上，其成功匹配的函数数量分别是 GPT-5.6 与 Codex 的 2.75 倍和 7.4 倍。该工作的贡献在于：把编译反馈引入反编译搜索循环、用多阶段修复机制处理残余差异，并在真实恶意软件上验证了可扩展性。适合二进制逆向、恶意软件分析、遗留系统与固件审计方向的研究者与安全工程师阅读。（注：以上信息完全来自摘要，未包含正文的实验细节与消融分析。）