Fugu-MT 論文翻訳(概要): Call graph discovery in binary programs from unknown instruction set architectures

論文の概要: Call graph discovery in binary programs from unknown instruction set architectures

arxiv url: http://arxiv.org/abs/2401.07565v1
Date: Mon, 15 Jan 2024 09:59:27 GMT
ステータス: 処理完了
システム内更新日: 2024-01-17 17:34:41.684717
Title: Call graph discovery in binary programs from unknown instruction set architectures
Title（参考訳）: 未知命令集合アーキテクチャからのバイナリプログラムにおけるコールグラフ発見
Authors: H{\aa}vard Pettersen and Donn Morrison
Abstract要約: 本研究では,未知の命令セットアーキテクチャによるリバースエンジニアリングバイナリの課題に対処する。我々は,コールグラフの自動抽出のための候補呼び出しと返却オペコードを検出するタスクに焦点をあてる。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by/4.0/
Abstract: This study addresses the challenge of reverse engineering binaries from unknown instruction set architectures, a complex task with potential implications for software maintenance and cyber-security. We focus on the tasks of detecting candidate call and return opcodes for automatic extraction of call graphs in order to simplify the reverse engineering process. Empirical testing on a small dataset of binary files from different architectures demonstrates that the approach can accurately detect specific opcodes under conditions of noisy data. The method lays the groundwork for a valuable tool for reverse engineering where the reverse engineer has minimal a priori knowledge of the underlying instruction set architecture.
Abstract（参考訳）: 本研究は,ソフトウェアメンテナンスとサイバーセキュリティに潜在的に影響を及ぼす複雑なタスクである未知の命令セットアーキテクチャからのリバースエンジニアリングバイナリの課題に対処する。我々は, リバースエンジニアリングプロセスを単純化するために, 候補呼出検出タスクに着目し, 呼出グラフの自動抽出のためのオプコードを返す。異なるアーキテクチャからのバイナリファイルの小さなデータセットに対する実証テストでは、ノイズの多いデータ条件下で特定のオペコードを正確に検出できることが示されている。この方法は、リバースエンジニアが基礎となる命令セットアーキテクチャに関する最小限の事前知識を持つリバースエンジニアリングのための貴重なツールの土台となる。

関連論文リスト

RepoGraph: Enhancing AI Software Engineering with Repository-level Code Graph [63.87660059104077]
RepoGraphは、現代のAIソフトウェアエンジニアリングソリューションのためのリポジトリレベルの構造を管理するプラグインモジュールである。 RepoGraphはすべてのシステムのパフォーマンスを大幅に向上させ、オープンソースフレームワークの間で新たな最先端技術を生み出している。
論文参考訳（メタデータ） (2024-10-03T05:45:26Z)
How Far Have We Gone in Binary Code Understanding Using Large Language Models [51.527805834378974]
バイナリコード理解におけるLarge Language Models(LLM)の有効性を評価するためのベンチマークを提案する。評価の結果、既存のLLMはバイナリコードをある程度理解でき、それによってバイナリコード解析の効率が向上することが明らかとなった。
論文参考訳（メタデータ） (2024-04-15T14:44:08Z)
Unsupervised Graph Neural Architecture Search with Disentangled Self-supervision [51.88848982611515]
教師なしグラフニューラルアーキテクチャサーチは、文献では未発見のままである。本稿では,Distangled Self-supervised Graph Neural Architecture Searchモデルを提案する。我々のモデルは、教師なしの方法で、いくつかのベースライン手法に対して最先端のパフォーマンスを達成することができる。
論文参考訳（メタデータ） (2024-03-08T05:23:55Z)
FASER: Binary Code Similarity Search through the use of Intermediate Representations [0.8594140167290099]
クロスアーキテクチャバイナリコード類似性検索は、多くの研究で研究されている。本稿では,Function as a String Encoded Representation (FASER)を提案する。
論文参考訳（メタデータ） (2023-10-05T15:36:35Z)
NeuDep: Neural Binary Memory Dependence Analysis [28.33030658966508]
本稿では,バイナリプログラムの実行方法に関する学習知識を活用して,メモリ依存を予測するための機械学習に基づく新しいアプローチを提案する。我々はNeuDepにアプローチを実装し、2つのコンパイラ、4つの最適化、4つの難読パスでコンパイルされた41の人気のあるソフトウェアプロジェクトで評価する。
論文参考訳（メタデータ） (2022-10-04T04:59:36Z)
Network Graph Based Neural Architecture Search [57.78724765340237]
我々は、対応するグラフを書き換えてニューラルネットワークを探索し、グラフ特性によるアーキテクチャ性能の予測を行う。グラフ空間全体にわたって機械学習を行わないため、探索プロセスは極めて効率的である。
論文参考訳（メタデータ） (2021-12-15T00:12:03Z)
BNAS v2: Learning Architectures for Binary Networks with Empirical Improvements [11.978082858160576]
ほとんどのバイナリネットワークのバックボーンアーキテクチャは、ResNetファミリのようなよく知られた浮動小数点(FP)アーキテクチャである。本稿では,バイナリネットワークのための新しい検索空間と新しい検索対象を定義することによって,バイナリネットワークのためのアーキテクチャを探索することを提案する。本手法は,バイナリネットワークに固有の量子化誤差にもかかわらず,安定なトレーニング曲線でアーキテクチャを探索することを示す。
論文参考訳（メタデータ） (2021-10-16T12:38:26Z)
Software Vulnerability Detection via Deep Learning over Disaggregated Code Graph Representation [57.92972327649165]
この研究は、コードコーパスから安全でないパターンを自動的に学習するためのディープラーニングアプローチを探求する。コードには解析を伴うグラフ構造が自然に認められるため,プログラムの意味的文脈と構造的規則性の両方を利用する新しいグラフニューラルネットワーク(GNN)を開発する。
論文参考訳（メタデータ） (2021-09-07T21:24:36Z)
Semantic-aware Binary Code Representation with BERT [27.908093567605484]
バグ発見、マルウェア分析、コードクローン検出など、幅広いバイナリ分析アプリケーションでは、バイナリコード上でのコンテキスト意味の回復が必要である。近年,バイナリのコード表現を自動再構築するために,機械学習に基づくバイナリ解析手法が提案されている。本稿では,バイナリコードのセマンティックなコード表現を生成するためにBERTを利用するDeepSemanticを提案する。
論文参考訳（メタデータ） (2021-06-10T03:31:29Z)
LoRD-Net: Unfolded Deep Detection Network with Low-Resolution Receivers [104.01415343139901]
本稿では,1ビット計測から情報シンボルを復元する「LoRD-Net」というディープ検出器を提案する。 LoRD-Netは、関心のシグナルを回復するためのタスクベースのアーキテクチャである。無線通信における1ビット信号回復のためのレシーバアーキテクチャの評価を行った。
論文参考訳（メタデータ） (2021-02-05T04:26:05Z)
How to 0wn NAS in Your Spare Time [11.997555708723523]
本研究では,キャッシュ側チャネル攻撃による情報漏洩を利用して,新しいディープラーニングシステムの主要コンポーネントを再構築するアルゴリズムを設計する。我々は、マルウェア検出のための新しいデータ前処理パイプラインであるMalConvと、画像ネット分類のための新しいネットワークアーキテクチャであるProxylessNAS CPU-NASを再構築できることを実験的に実証した。
論文参考訳（メタデータ） (2020-02-17T05:40:55Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。