論文の概要: From Heuristics to Transformers: A Comprehensive Survey of Type Inference from Stripped Binaries

• arxiv url: http://arxiv.org/abs/2606.23692v1
• Date: Mon, 27 Apr 2026 20:05:17 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-27 00:46:12.927019
• Title: From Heuristics to Transformers: A Comprehensive Survey of Type Inference from Stripped Binaries
• Title（参考訳）: ヒューリスティックスからトランスフォーマーへ:ストリップバイナリーからの型推論に関する包括的調査
• Authors: Hua Zheng, Yuhang Guo, Kuanishbay Sadatdiynov, Cheng Wen, Muhammad Sadiq, Dugang Liu, Jawwad Ahmed Shamsi, Anam Qureshi,
• Abstract要約: 削除されたバイナリから高レベルの型情報を復元することは、ソフトウェアリバースエンジニアリング、脆弱性分析、非コンパイルの基盤となる。 我々は、"ダックタイピング"と制約解決技術からコンテキスト認識ニューラルモデルへのシフトを分析する。 最適化によって引き起こされるセマンティクスの損失や構造的型回復など、主要な課題を特定します。
• 参考スコア（独自算出の注目度）: 8.515170541886118
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The recovery of high-level type information from stripped binaries-executables devoid of symbol tables and debugging information-is a cornerstone of software reverse engineering, vulnerability analysis, and decompilation. This survey tracks the evolution of binary type inference from early rule-based heuristics and static analysis to modern deep learning architectures. We analyze the shift from "duck typing" and constraint-solving techniques (e.g., BITY, BinSub) to context-aware neural models (e.g., EKLAVYA, CATI) and finally to state-of-the-art Transformer and Graph Neural Network (GNN) architectures (e.g., SeeType, TYGR). We identify core challenges, including optimization-induced semantics loss and structural type recovery, and propose future research directions in neuro-symbolic inference.
• Abstract（参考訳）: シンボルテーブルやデバッギング情報を欠いた、取り除かれたバイナリ実行可能ファイルから高レベルな型情報を復元することは、ソフトウェアリバースエンジニアリング、脆弱性分析、非コンパイルの基盤となる。 このサーベイは、初期のルールベースのヒューリスティックと静的解析から現代のディープラーニングアーキテクチャへのバイナリ型推論の進化をトラックする。 我々は、"ダックタイピング"と制約解決技術(例えば、BITY、BinSub)からコンテキスト認識ニューラルモデル(例えば、EKLAVYA、CATI)へのシフトを分析し、最後に最先端のTransformer and Graph Neural Network(GNN)アーキテクチャ(例えば、SeeeType、TYGR)へ移行する。 最適化によるセマンティクスの損失や構造的タイプの回復など,主要な課題を特定し,ニューロシンボリック推論における今後の研究方向性を提案する。

関連論文リスト

• SoK: AI-Augmented Binary Reversing [5.927800403943384]
  バイナリ逆転は、ソフトウェア理解、脆弱性発見、マルウェア調査、ファームウェア監査の基礎となる。 機械学習、大規模言語モデル(LLM)、エージェントAIシステムの最近の進歩は、AIの拡張されたバイナリリバースの採用を加速している。 本稿では,AIを付加した二元反転における知識の包括的体系化について述べる。
  論文  参考訳（メタデータ） (2026-06-16T01:14:49Z)
• Seeing Through Circuits: Faithful Mechanistic Interpretability for Vision Transformers [54.2202951543048]
  視覚変換器の計算グラフから有用なメカニスティック回路を同定できるかどうかを検討する。 分類のためのクラス固有の回路を復元するビジュアル・サーキット・ディスカバリー(Vi-CD)の効果的な手法を提案する。 これらのモデルの内部計算に透明性を加えることで、視覚変換器から洞察に富み、行動可能なエッジベース回路を復元できることが判明した。
  論文  参考訳（メタデータ） (2026-04-15T23:25:46Z)
• Robustness Verification of Graph Neural Networks Via Lightweight Satisfiability Testing [1.9754011041953694]
  グラフニューラルネットワーク(GNN)は、グラフを学習するための主要なアーキテクチャである。 本稿では,GNNのバリエーションとデータセットの多種多様なセットについて,RobLightツールの評価を行う。
  論文  参考訳（メタデータ） (2025-10-21T12:45:51Z)
• Beyond the Edge of Function: Unraveling the Patterns of Type Recovery in Binary Code [55.493408628371235]
  本稿では,バイナリコードの変数型を復元するフレームワークByteTRを提案する。 ByteTRは、関数間の変数伝搬の普遍性を考慮して、変数伝搬をトレースするためのプロシーダ間解析を行い、ゲートグラフニューラルネットワークを用いて、変数型回復のための長距離データフロー依存性をキャプチャする。
  論文  参考訳（メタデータ） (2025-03-10T12:27:05Z)
• A Survey of Graph Transformers: Architectures, Theories and Applications [54.561539625830186]
  近年の研究では、多種多様なアーキテクチャ、説明可能性の向上、グラフトランスフォーマーの実用化などが提案されている。 グラフ変換器のアーキテクチャは,その構造情報処理戦略に従って分類する。 本稿では,分子,タンパク質,言語,視覚,交通,脳,物質データなど,グラフトランスフォーマーの実用化例を紹介する。
  論文  参考訳（メタデータ） (2025-02-23T10:55:19Z)
• Machine learning for option pricing: an empirical investigation of network architectures [0.0]
  ネットワークアーキテクチャの選択が機械学習アルゴリズムの精度とトレーニング時間に与える影響について検討する。 Black-ScholesとHestonモデルに焦点をあてたオプション価格問題に対して、一般化されたハイウェイネットワークアーキテクチャは、他のすべての変種よりも優れている。
  論文  参考訳（メタデータ） (2023-07-14T23:27:43Z)
• Persformer: A Transformer Architecture for Topological Machine Learning [0.0]
  Persformerは、永続化ダイアグラムを入力として受け入れる最初のTransformerニューラルネットワークアーキテクチャである。 本稿では、永続化ダイアグラムを入力として受け入れる最初のTransformerニューラルネットワークアーキテクチャであるPersformerを紹介する。
  論文  参考訳（メタデータ） (2021-12-30T21:10:17Z)
• 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)
• Binary Neural Networks: A Survey [126.67799882857656]
  バイナリニューラルネットワークは、リソース制限されたデバイスにディープモデルをデプロイするための有望なテクニックとして機能する。 バイナライゼーションは必然的に深刻な情報損失を引き起こし、さらに悪いことに、その不連続性はディープネットワークの最適化に困難をもたらす。 本稿では,2項化を直接実施するネイティブソリューションと,量子化誤差の最小化,ネットワーク損失関数の改善,勾配誤差の低減といった手法を用いて,これらのアルゴリズムを探索する。
  論文  参考訳（メタデータ） (2020-03-31T16:47:20Z)

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。