論文の概要: OASIF: An Efficient Obfuscation-Aware Self-Improving Framework for LLM-Based Assembly Code Instruction Following and Comprehension

• arxiv url: http://arxiv.org/abs/2606.29155v1
• Date: Sun, 28 Jun 2026 02:28:10 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-30 18:07:15.804199
• Title: OASIF: An Efficient Obfuscation-Aware Self-Improving Framework for LLM-Based Assembly Code Instruction Following and Comprehension
• Title（参考訳）: OASIF: LLMベースのアセンブリコードインストラクションのための効率的な難読化対応自己改善フレームワーク
• Abstract要約: OASIFは難読化アセンブリ理解のための難読化自己進化型インストラクションフォローフレームワークである。 我々は,難読化アセンブリ理解のための,難読化を意識した自己進化型インストラクションフォローフレームワークであるOASIFを提案する。
• 参考スコア（独自算出の注目度）: 11.272710782220509
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Large Language Models (LLMs) have recently shown promise in automated binary analysis, yet they remain brittle under commercial-grade obfuscation. We present OASIF, an Obfuscation-Aware Self-evolving Instruction-Following framework for obfuscated assembly comprehension. OASIF couples a token-efficient assembly encoder with a lightweight projector to expose long obfuscated code to a pretrained code LLM under a bounded context budget and follows a three-phase training: (i) feature-space alignment, (ii) supervised instruction fine-tuning, and (iii) online self-evolving reinforcement learning with hybrid rewards, enabling continual adaptation with minimal manual verification. On VMISA-Bench, a challenging out-of-distribution suite featuring three commercial VM-based obfuscators, OASIF consistently improves open-source backbones; Qwen2.5-Coder-Instruct-14B attains Success Rate gains of +15.9, +5.8, and +16.9 percentage points (pp) on Code Virtualizer, Themida (v3.0.7), and VMProtect (v3.5), respectively, and improves the OASIF-Bench average by +9.8. OASIF further delivers stable gains across seven standard BCSD benchmarks while preserving general and domain-relevant capabilities on HumanEval, VulBench, and HumanEval-Decompile.
• Abstract（参考訳）: 大規模言語モデル(LLM)は、最近、自動バイナリ分析において有望であるが、商用レベルの難読化の下でも不安定である。 我々は,難読化アセンブリ理解のための,難読化を意識した自己進化型インストラクションフォローフレームワークであるOASIFを提案する。 OASIFはトークン効率のよいアセンブリエンコーダと軽量プロジェクタを結合し、制約付きコンテキスト予算の下で長い難読化されたコードをLLMに公開し、3フェーズのトレーニングに従う。 (i)特徴空間アライメント 二 指導教官の微調整、及び 3) 自己発展型強化学習とハイブリッド報酬を併用し, 手作業による検証を最小限に抑えた継続的適応を実現した。 Qwen2.5-Coder-Instruct-14Bは、Code Virtualizer、Themida (v3.0.7)、VMProtect (v3.5)で、成功率+15.9、+5.8、+16.9のポイント(pp)を獲得し、OASIF平均を+9.8に改善している。 OASIFはさらに、HumanEval、VulBench、HumanEval-Decompileの一般およびドメイン関連機能を保ちながら、7つの標準BCSDベンチマークで安定したゲインを提供する。

関連論文リスト

• Functional and Secure Code Generation with Task Vectors [7.757776817999749]
  大きな言語モデル(LLM)は、コード生成にますます使われていますが、セキュリティ上の脆弱性のない機能的なコードを生成するのに苦労しています。 我々は,タスクベクトルを利用して,機能的かつセキュアな信頼性の高いコードを生成する新しい方法SecVecCoderを開発した。
  論文  参考訳（メタデータ） (2026-07-08T19:32:22Z)
• Acoda: Adversarial Code Obfuscation for Defending against LLM-based Analysis [8.003290859936245]
  LLM(Large Language Models)は、ソースコードロジックの解析、再構築、リバースエンジニアリングなどを行うことができる。 遺伝的アルゴリズムに基づく逆コード難読化フレームワークであるAcodaを提案する。 GPT-4o、DeepSeek、Qwen、Llama、Gemmaを含む7つの最先端LCMでは、Acodaは最大70%の攻撃成功率(ASR)を達成する。
  論文  参考訳（メタデータ） (2026-06-10T07:29:31Z)
• SCDBench: A Benchmark for LLM-Based Smart Contract Decompilers [55.39407031861402]
  本稿では,スマートコントラクトデコンパイルのためのデータセットとベンチマーク手法であるSCDBenchを紹介する。 データセットには600の現実のSolidityコントラクトと、ペア化されたバイトコード入力、地味なソースコード、再生可能なセマンティックチェックポイントが含まれている。 我々は,GLM-5の変種を含むゼロショット逆コンパイル設定において,Claude Opus 4.7,GPT-5.3-Codex,GLM-5を評価した。
  論文  参考訳（メタデータ） (2026-05-27T20:08:47Z)
• AutoVecCoder: Teaching LLMs to Generate Explicitly Vectorized Code [69.84692701646769]
  AutoVecCoderは、大規模言語モデルに自動明示的ベクトル化機能を持たせるために設計された新しいフレームワークである。 自動データ合成パイプラインであるVecPromptは、ドメイン固有の固有の知識を注入する。 強化学習フレームワークであるVecRLは、コード生成と実行効率を一致させる。 このフレームワークでトレーニングされたAutoVecCoder-8Bは、SimdBenchのSSEおよびAVXサブセット上で最先端のパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2026-05-18T07:33:15Z)
• Prism: Efficient Test-Time Scaling via Hierarchical Search and Self-Verification for Discrete Diffusion Language Models [96.0074341403456]
  LLM推論を改善するための実用的な方法として、推論時計算が再導入されている。 テスト時間スケーリング(TTS)アルゴリズムの多くは、自動回帰デコーディングに依存している。 そこで我々は,dLLM のための効率的な TTS フレームワーク Prism を提案する。
  論文  参考訳（メタデータ） (2026-02-02T09:14:51Z)
• Improving LLM-Assisted Secure Code Generation through Retrieval-Augmented-Generation and Multi-Tool Feedback [1.1017250479834206]
  大きな言語モデル(LLM)はコードを生成することができるが、セキュリティ上の脆弱性、論理的不整合、コンパイルエラーをしばしば導入する。 本稿では,1つのコード生成LLMが反復的に出力を洗練する検索拡張型マルチツール修復ワークフローを提案する。
  論文  参考訳（メタデータ） (2026-01-01T23:34:00Z)
• SuperCoder: Assembly Program Superoptimization with Large Language Models [15.878707003363404]
  超最適化は、プログラムをより高速なプログラムに変換し、入力・出力動作を保存するタスクである。 我々は,大規模言語モデル (LLM) がスーパーオプティマイザとして機能し,すでに業界標準コンパイラによって最適化されているコードより優れているアセンブリプログラムを生成することを検討した。
  論文  参考訳（メタデータ） (2025-05-16T17:40:45Z)
• ObscuraCoder: Powering Efficient Code LM Pre-Training Via Obfuscation Grounding [60.37988508851391]
  言語モデル(LM)は、コード記述ツールボックスのベースとなっている。 Code-LMの事前学習目標の変更を探求する研究は、データ効率の向上と構文とセマンティクスの相互接続性の向上を目的としており、顕著に不十分である。 本研究では,Code-LMが表面的な構文を超越し,事前学習したサンプルの効率を高めるために,難読化コードの基盤について検討する。
  論文  参考訳（メタデータ） (2025-03-27T23:08:53Z)
• ASMA-Tune: Unlocking LLMs' Assembly Code Comprehension via Structural-Semantic Instruction Tuning [33.53059396922164]
  アセンブリコード分析と理解は、リバースエンジニアリングのようなアプリケーションにおいて重要な役割を果たす。 従来のマスク付き言語モデリングアプローチは、自然言語の相互作用に明示的に焦点を合わせていない。 本稿では、エンドツーエンドな構造意味的命令チューニングフレームワークであるアセンブリ・チューニングについて述べる。
  論文  参考訳（メタデータ） (2025-03-14T17:36:08Z)
• Optimizing Code Runtime Performance through Context-Aware Retrieval-Augmented Generation [8.574686422653345]
  AutoはGPT-4oよりも実行効率が7.3%向上した。 本研究では、LLMが最適化されたコードを自動的に生成できるようにすることにより、そのギャップを埋めるためのコンテキスト内学習手法を提案する。
  論文  参考訳（メタデータ） (2025-01-28T04:00:35Z)
• PerfCodeGen: Improving Performance of LLM Generated Code with Execution Feedback [78.89596149768458]
  大規模言語モデル(LLM)は、ソフトウェア開発タスクを支援するために広く採用されている。 LLM生成コードの性能を向上させるトレーニングフリーフレームワークPerfCodeGenを提案する。
  論文  参考訳（メタデータ） (2024-11-18T06:22:38Z)
• Iterative Self-Tuning LLMs for Enhanced Jailbreaking Capabilities [50.980446687774645]
  本稿では,対戦型LDMをジェイルブレイク能力に富んだ反復的自己調整プロセスであるADV-LLMを紹介する。 我々のフレームワークは,様々なオープンソース LLM 上で ASR を100% 近く達成しながら,逆接接尾辞を生成する計算コストを大幅に削減する。 Llama3のみに最適化されているにもかかわらず、GPT-3.5では99%のASR、GPT-4では49%のASRを達成している。
  論文  参考訳（メタデータ） (2024-10-24T06:36:12Z)

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。