論文の概要: Towards LLM-Based Analysis of Virtualization-Obfuscated Code through Automated Data Generation
- arxiv url: http://arxiv.org/abs/2605.09961v1
- Date: Mon, 11 May 2026 04:15:20 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-05-12 23:28:50.514893
- Title: Towards LLM-Based Analysis of Virtualization-Obfuscated Code through Automated Data Generation
- Title（参考訳）: 自動データ生成による仮想化ObfuscatedコードのLCM解析に向けて
- Authors: Sangjun An, Hyeyeon Park, Yejin Son, Seoksu Lee, Eun-Sun Cho,
- Abstract要約: 難解なバイナリは、最大のセマンティックコヒーレントユニットに分解される。
我々は,ラベリングの自動化と大規模データセット生成を実現するための静的解析フレームワークを実装した。
- 参考スコア（独自算出の注目度）: 4.157531062215688
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Virtualization-based obfuscation produces extremely large and structurally complex binaries, posing challenges for LLM-based analysis due to input size limits and the need for large-scale labeled data. We address this by focusing on structural rather than full semantic analysis. Obfuscated binaries are decomposed into the largest semantically coherent units that fit within LLM constraints and are labeled according to their structural roles. We implement a static analysis framework to automate labeling and enable large-scale dataset generation. Our prototype shows strong performance on real-world virtualization obfuscators.
- Abstract（参考訳）: 仮想化ベースの難読化は、非常に大きく、構造的に複雑なバイナリを生成し、入力サイズ制限と大規模ラベル付きデータの必要性により、LLMベースの分析の課題を提起する。
完全な意味分析よりも構造に着目することで、この問題に対処する。
難解なバイナリは、LLMの制約に適合し、それらの構造的役割に従ってラベル付けされる最大の意味的に一貫性のあるユニットに分解される。
我々は,ラベリングの自動化と大規模データセット生成を実現するための静的解析フレームワークを実装した。
我々のプロトタイプは、現実世界の仮想化難読化器に強い性能を示す。
関連論文リスト
- Step-Level Sparse Autoencoder for Reasoning Process Interpretation [48.99201531966593]
大規模言語モデル(LLM)は、Chain-of-Thought(CoT)推論を通じて、強力な複雑な推論機能を実現している。
本稿では,ステップレベルスパースオートエンコーダ (SSAE) を提案する。
複数の基本モデルと推論タスクの実験により,抽出した特徴の有効性が示された。
論文 参考訳（メタデータ） (2026-03-03T14:25:02Z) - Static Detection of Core Structures in Tigress Virtualization-Based Obfuscation Using an LLVM Pass [4.7664516965746335]
本稿では,静的解析により,仮想化による難読化の構造成分を同定することを目的とする。
実験の結果,コンパイラ最適化がなければ,提案したLLVM Passが主要な仮想化オプション全体にわたって,すべてのコア構造を検出することができた。
論文 参考訳（メタデータ） (2026-01-19T10:15:59Z) - Scaling Spatial Reasoning in MLLMs through Programmatic Data Synthesis [8.60591720958037]
VLM(Vision-Language Models)はスケーラブルだが構造的に剛性があり、手動のアノテーションは言語的に多様だが拡張不可能である。
本稿では,シミュレータと大規模モデルを活用したこのジレンマを克服する新しいフレームワークSP-RITEを紹介する。
我々は,3つのシミュレータ,11k以上のシーン,300k以上の画像/映像のインストラクションチューニングペアを含むデータセットをキュレートした。
我々のデータに基づいて訓練されたVLMは、複数の空間ベンチマークにおいて大きな性能向上を達成できることを実証する。
論文 参考訳（メタデータ） (2025-12-18T06:30:08Z) - GateLens: A Reasoning-Enhanced LLM Agent for Automotive Software Release Analytics [9.549568621873386]
GateLensは、自動車分野のデータ分析のためのLLMベースのシステムである。
遅くて不透明でメンテナンスにコストがかかる従来のマルチエージェントや計画ベースのシステムとは異なり、GateLensはスピード、透明性、信頼性を強調している。
論文 参考訳（メタデータ） (2025-03-27T17:48:32Z) - EnStack: An Ensemble Stacking Framework of Large Language Models for Enhanced Vulnerability Detection in Source Code [1.9374282535132379]
本稿では,自然言語処理(NLP)技術を用いた脆弱性検出を支援する,新たなアンサンブルスタックフレームワークであるEnStackを紹介する。
本手法は,コード理解に特化した複数の事前学習型大規模言語モデル(LLM)を相乗化する。
メタ分類器はそれぞれのLSMの強度を集約し、微妙で複雑な脆弱性を検知する包括的なモデルをもたらす。
論文 参考訳（メタデータ） (2024-11-25T16:47:10Z) - LLM Inference Unveiled: Survey and Roofline Model Insights [62.92811060490876]
大規模言語モデル(LLM)推論は急速に進化しており、機会と課題のユニークなブレンドを提示している。
本調査は, 研究状況を要約するだけでなく, 屋上モデルに基づく枠組みを導入することによって, 従来の文献レビューから際立っている。
このフレームワークは、ハードウェアデバイスにLSMをデプロイする際のボトルネックを特定し、実用上の問題を明確に理解する。
論文 参考訳（メタデータ） (2024-02-26T07:33:05Z)
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。