論文の概要: AGNOMIN - Architecture Agnostic Multi-Label Function Name Prediction

• arxiv url: http://arxiv.org/abs/2509.25514v2
• Date: Wed, 01 Oct 2025 05:13:21 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-02 14:33:21.832375
• Title: AGNOMIN - Architecture Agnostic Multi-Label Function Name Prediction
• Title（参考訳）: AGNOMIN - アーキテクチャに依存しないマルチラベル関数の予測
• Authors: Yonatan Gizachew Achamyeleh, Tongtao Zhang, Joshua Hyunki Kim, Gabriel Garcia, Shih-Yuan Yu, Anton Kocheturov, Mohammad Abdullah Al Faruque,
• Abstract要約: 本稿では,削除されたバイナリにおける複数ラベル関数名予測の新しい手法AGNOMINを提案する。 AGNOMINはFeature-Enriched Hierarchical Graphs (FEHGs)を構築し、コントロールフローグラフ、ファンクションコールグラフ、動的に学習されたtexttPCode機能を組み合わせた。 我々はAGNOMINを3つのアーキテクチャにわたる9000個のELF実行可能バイナリの包括的データセットで評価し、最先端のアプローチと比較して優れた性能を示した。
• 参考スコア（独自算出の注目度）: 9.68431690826362
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Function name prediction is crucial for understanding stripped binaries in software reverse engineering, a key step for \textbf{enabling subsequent vulnerability analysis and patching}. However, existing approaches often struggle with architecture-specific limitations, data scarcity, and diverse naming conventions. We present AGNOMIN, a novel architecture-agnostic approach for multi-label function name prediction in stripped binaries. AGNOMIN builds Feature-Enriched Hierarchical Graphs (FEHGs), combining Control Flow Graphs, Function Call Graphs, and dynamically learned \texttt{PCode} features. A hierarchical graph neural network processes this enriched structure to generate consistent function representations across architectures, vital for \textbf{scalable security assessments}. For function name prediction, AGNOMIN employs a Ren\'ee-inspired decoder, enhanced with an attention-based head layer and algorithmic improvements. We evaluate AGNOMIN on a comprehensive dataset of 9,000 ELF executable binaries across three architectures, demonstrating its superior performance compared to state-of-the-art approaches, with improvements of up to 27.17\% in precision and 55.86\% in recall across the testing dataset. Moreover, AGNOMIN generalizes well to unseen architectures, achieving 5.89\% higher recall than the closest baseline. AGNOMIN's practical utility has been validated through security hackathons, where it successfully aided reverse engineers in analyzing and patching vulnerable binaries across different architectures.
• Abstract（参考訳）: 関数名の予測は、削除されたバイナリをソフトウェアリバースエンジニアリングで理解するために不可欠である。 しかし、既存のアプローチはアーキテクチャ固有の制限、データの不足、さまざまな命名規則に悩まされることが多い。 本稿では,取り除かれたバイナリにおける複数ラベル関数名予測のためのアーキテクチャに依存しない新しいアプローチAGNOMINを提案する。 AGNOMINはFeature-Enriched Hierarchical Graphs (FEHG)を構築し、コントロールフローグラフ、ファンクションコールグラフ、動的に学習された \texttt{PCode}機能を組み合わせる。 階層的なグラフニューラルネットワークは、このリッチな構造を処理し、アーキテクチャ全体にわたって一貫した関数表現を生成する。 関数名を予測するために、AGNOMINはRen\'eeにインスパイアされたデコーダを採用しており、アテンションベースのヘッドレイヤとアルゴリズムの改善によって強化されている。 我々はAGNOMINを、3つのアーキテクチャにわたる9000のELF実行可能バイナリの包括的なデータセットで評価し、最先端のアプローチと比較して優れたパフォーマンスを示し、テストデータセット全体で最大27.17\%、55.86\%の改善を実現した。 さらに、AGNOMINは目に見えないアーキテクチャを一般化し、最も近いベースラインよりも5.89 %高いリコールを実現している。 AGNOMINの実用性はセキュリティハッカソンを通じて検証され、異なるアーキテクチャにわたる脆弱性のあるバイナリの分析とパッチのリバースエンジニアの助けとなった。

関連論文リスト

• Resolving Indirect Calls in Binary Code via Cross-Reference Augmented Graph Neural Networks [13.11143749397866]
  NeuCallは、グラフニューラルネットワークを使用して間接呼び出しを解決するための新しいアプローチである。 我々は,高度なコンパイラレベルの型解析を利用して,高品質なコールライトとキャリーのトレーニングペアを生成する。 NeuCallは95.2%のF1スコアを獲得し、最先端のMLベースのアプローチを上回っている。
  論文  参考訳（メタデータ） (2025-07-24T20:54:41Z)
• Knowledge-aware Evolutionary Graph Neural Architecture Search [49.13787973318586]
  グラフニューラルネットワーク検索(GNAS)は、特定のグラフタスクやデータセットに対して、高性能なグラフニューラルネットワークアーキテクチャをカスタマイズすることができる。 既存のGNAS手法は、探索効率を向上させる可能性のある事前知識を無視して、ゼロ知識状態からアーキテクチャを探し始める。 本研究では,新しいグラフデータセット上での多目的進化探索を高速化するために,そのような先行知識を活用することを提案する。
  論文  参考訳（メタデータ） (2024-11-26T11:32:45Z)
• Know Your Neighborhood: General and Zero-Shot Capable Binary Function Search Powered by Call Graphlets [0.7646713951724013]
  本稿では,コールグラフレットと呼ばれる新しいグラフデータ表現を組み合わせた,新しいグラフニューラルネットワークアーキテクチャを提案する。 専門的なグラフニューラルネットワークモデルは、このグラフ表現に基づいて動作し、セマンティックバイナリコードの類似性を符号化する特徴ベクトルにマッピングすることを学ぶ。 実験結果から,コールグラフレットと新しいグラフニューラルネットワークアーキテクチャを組み合わせることで,同等あるいは最先端の性能が得られることがわかった。
  論文  参考訳（メタデータ） (2024-06-02T18:26:50Z)
• Enhancing Function Name Prediction using Votes-Based Name Tokenization and Multi-Task Learning [10.668991471782618]
  投票による名前のトークン化とマルチタスク学習を用いた関数名予測を行うフレームワークを提案する。 Epitomeは、事前訓練されたアセンブリ言語モデルとグラフニューラルネットワークにより、包括的な機能意味学を学ぶ。 エピトームは最先端の関数名予測ツールを44.34%、64.16%、54.44%の精度、リコール、F1スコアで上回っている。
  論文  参考訳（メタデータ） (2024-05-15T06:01:40Z)
• Arch-Graph: Acyclic Architecture Relation Predictor for Task-Transferable Neural Architecture Search [96.31315520244605]
  Arch-Graphはタスク固有の最適アーキテクチャを予測するトランスファー可能なNASメソッドである。 Arch-Graphの転送性と,多数のタスクにわたる高いサンプル効率を示す。 わずか50モデルの予算の下で、2つの検索スペースで平均して0.16%と0.29%のアーキテクチャを見つけることができる。
  論文  参考訳（メタデータ） (2022-04-12T16:46:06Z)
• Learning Interpretable Models Through Multi-Objective Neural Architecture Search [0.9990687944474739]
  本稿では,タスク性能と「イントロスペクタビリティ」の両方を最適化するフレームワークを提案する。 タスクエラーとイントロスペクタビリティを共同で最適化することは、エラー内で実行されるより不整合でデバッグ可能なアーキテクチャをもたらすことを実証する。
  論文  参考訳（メタデータ） (2021-12-16T05:50:55Z)
• Edge-featured Graph Neural Architecture Search [131.4361207769865]
  最適GNNアーキテクチャを見つけるために,エッジ機能付きグラフニューラルアーキテクチャ探索を提案する。 具体的には、高次表現を学習するためにリッチなエンティティとエッジの更新操作を設計する。 EGNASは、現在最先端の人間設計および検索されたGNNよりも高い性能で、より優れたGNNを検索できることを示す。
  論文  参考訳（メタデータ） (2021-09-03T07:53:18Z)
• Connection Sensitivity Matters for Training-free DARTS: From Architecture-Level Scoring to Operation-Level Sensitivity Analysis [32.94768616851585]
  最近提案されたトレーニングフリーNAS手法は、トレーニングフェーズを放棄し、優れたアーキテクチャを識別するためのスコアとして、さまざまなゼロコストプロキシを設計する。 本稿では, DARTSにおける操作重要度を, パラメータ集中バイアスを回避して, トレーニング不要な方法で適切に測定できるか, という問題を提起する。 ZEROSをNASに活用するための反復的かつデータに依存しない手法を考案することにより、新しい試行は自由微分型アーキテクチャサーチ(FreeDARTS)と呼ばれるフレームワークに繋がる。
  論文  参考訳（メタデータ） (2021-06-22T04:40:34Z)
• iDARTS: Differentiable Architecture Search with Stochastic Implicit Gradients [75.41173109807735]
  微分可能なArchiTecture Search(DARTS)は先日,ニューラルアーキテクチャサーチ(NAS)の主流になった。 暗黙の関数定理に基づいてDARTSの過次計算に取り組む。 提案手法であるiDARTSのアーキテクチャ最適化は,定常点に収束することが期待される。
  論文  参考訳（メタデータ） (2021-06-21T00:44:11Z)
• A Semi-Supervised Assessor of Neural Architectures [157.76189339451565]
  我々は、ニューラルネットワークの有意義な表現を見つけるためにオートエンコーダを用いる。 アーキテクチャの性能を予測するために、グラフ畳み込みニューラルネットワークを導入する。
  論文  参考訳（メタデータ） (2020-05-14T09:02:33Z)

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。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。