論文の概要: N2NMatcher: Towards Inlining-Resilient Binary Decomposition and Module Matching

• arxiv url: http://arxiv.org/abs/2608.10043v1
• Date: Mon, 10 Aug 2026 09:37:42 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-12 19:14:45.764908
• Title: N2NMatcher: Towards Inlining-Resilient Binary Decomposition and Module Matching
• Title（参考訳）: N2NMatcher: インライン・レジリエントなバイナリ分解とモジュールマッチングを目指して
• Abstract要約: プログラムレベルのバイナリコード類似性分析(BCSA)は、バイナリプログラム間で意味的に類似したコード領域を特定することを目的としている。 N2NMatcherは、バイナリ分解とモジュールマッチングのためのインライン・レジリエントなフレームワークである。
• 参考スコア（独自算出の注目度）: 10.071819176260677
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Program-level Binary Code Similarity Analysis (BCSA) aims to identify semantically similar code regions across binary programs, serving as a fundamental technique for software plagiarism detection, vulnerability search, and malware analysis. Existing approaches often decompose binaries into modules following the structure of function call graphs (FCGs) and then match these modules by their contained functions. However, function inlining changes both FCG structures and binary function semantics, making existing decomposition and module matching methods less effective. In this work, we propose N2NMatcher, an inlining-resilient framework for binary decomposition and module matching. We first conduct an empirical study to examine whether binaries still contain functions that provide stable module boundaries across compilation settings. N2NMatcher learns to predict such functions as anchors using a hierarchical graph neural network that encodes binary ACFG-FCG representations built from opcode sequences, control-flow structures, and FCG calling context. It then performs anchor-bounded decomposition and matches the generated modules using learned module graph embeddings. Experimental results show that N2NMatcher improves both the decomposition quality and module matching accuracy compared to existing works, enabling more effective program-level BCSA.
• Abstract（参考訳）: プログラムレベルのバイナリコード類似性分析(BCSA)は、バイナリプログラムにまたがる意味論的に類似したコード領域を識別することを目的としている。 既存のアプローチは、しばしば関数呼び出しグラフ(FCG)の構造に従ってバイナリをモジュールに分解し、それらを含む関数でそれらのモジュールをマッチングする。 しかし、関数インライン化はFCG構造とバイナリ関数セマンティクスの両方を変えるため、既存の分解やモジュールマッチングメソッドの効率が低下する。 本研究では,バイナリ分解とモジュールマッチングのためのインライン・レジリエントなフレームワークであるN2NMatcherを提案する。 まず、バイナリがコンパイル設定全体にわたって安定したモジュール境界を提供する関数をまだ含んでいるかどうかを実証研究する。 N2NMatcherは、オプコードシーケンス、制御フロー構造、FCG呼び出しコンテキストから構築されたバイナリALFG-FCG表現を符号化する階層グラフニューラルネットワークを使用して、アンカーのような関数を予測することを学ぶ。 その後、アンカーバウンドの分解を行い、学習したモジュールグラフ埋め込みを使用して生成されたモジュールにマッチする。 実験の結果,N2NMatcherは既存の作業に比べて分解品質とモジュールマッチングの精度が向上し,プログラムレベルのBCSAが向上した。

関連論文リスト

• ReSIM: Re-ranking Binary Similarity Embeddings to Improve Function Search Performance [6.94939106765873]
  本稿では,ニューラルリランカを用いた埋め込み型検索を補完する新しい機能検索システムであるReSIMを紹介する。 2つのベンチマークデータセット上に7つの埋め込みモデルにまたがってReSIMを評価し、探索効率を一貫した改善を実証した。
  論文  参考訳（メタデータ） (2026-02-10T08:57:49Z)
• Cross-modal Retrieval Models for Stripped Binary Analysis [62.89251403093734]
  BinSeekは、取り除かれたバイナリコード分析のための最初の2段階のクロスモーダル検索フレームワークである。 BinSeekEmbeddingは、バイナリコードのセマンティックな関連性を学ぶために、大規模なデータセットでトレーニングされている。 BinSeek-Rerankerは、コンテキスト拡張による記述に対する候補コードの関連性を慎重に判断することを学ぶ。
  論文  参考訳（メタデータ） (2025-12-11T07:58:10Z)
• What Makes the Best Decomposition? Investigating Binary Decomposition Under FCG Variance [11.950334662727848]
  様々なコンパイル設定でコンパイルされた関数呼び出しグラフの分散に関する最初の系統的研究を行う。 FCGのサイズは劇的に変化しますが、FCGは3種類のマッピングでリンクされています。 本稿では, 最適分解を同定し, 既存の分解処理と最適分解を比較する方法を提案する。
  論文  参考訳（メタデータ） (2025-06-24T08:43:28Z)
• Functional Matching of Logic Subgraphs: Beyond Structural Isomorphism [13.064477057274226]
  サブグラフマッチングは多くの電子設計自動化(EDA)アプリケーションの基礎となっている。 本稿では,ある論理関数がより大きな回路内に暗黙的に存在するかどうかを識別する新しい手法である関数部分グラフマッチングの概念を導入する。
  論文  参考訳（メタデータ） (2025-05-28T05:31:49Z)
• Bi-Directional Transformers vs. word2vec: Discovering Vulnerabilities in Lifted Compiled Code [4.956066467858057]
  本研究では,Word2vec,BERT,RoBERTaを用いた自然言語処理(NLP)埋め込み技術を用いた脆弱性検出について検討する。 長い短期記憶(LSTM)ニューラルネットワークは、Julietデータセットから約48kのLLVM関数を使用して生成されたエンコーダからの埋め込みをトレーニングした。
  論文  参考訳（メタデータ） (2024-05-31T03:57:19Z)
• FoC: Figure out the Cryptographic Functions in Stripped Binaries with LLMs [51.898805184427545]
  削除されたバイナリの暗号関数を抽出するFoCと呼ばれる新しいフレームワークを提案する。 まず、自然言語における暗号関数のセマンティクスを要約するために、バイナリ大言語モデル(FoC-BinLLM)を構築した。 次に、FoC-BinLLM上にバイナリコード類似モデル(FoC-Sim)を構築し、変更に敏感な表現を作成し、データベース内の未知の暗号関数の類似実装を検索する。
  論文  参考訳（メタデータ） (2024-03-27T09:45:33Z)
• Compacting Binary Neural Networks by Sparse Kernel Selection [58.84313343190488]
  本稿は,BNNにおけるバイナリカーネルの分散化がほぼ不可能であることを示すものである。 我々は、選択過程をエンドツーエンドに最適化するだけでなく、選択したコードワードの非反復的占有を維持できる置換ストレートスルー推定器(PSTE)を開発した。 実験により,提案手法はモデルサイズとビット幅の計算コストの両方を削減し,同等の予算下での最先端のBNNと比較して精度の向上を実現する。
  論文  参考訳（メタデータ） (2023-03-25T13:53:02Z)
• UniASM: Binary Code Similarity Detection without Fine-tuning [2.2329530239800035]
  モデルがバイナリコードの複雑なニュアンスをキャプチャすることを保証するために,新しいリッチ・セマンティック関数表現手法を提案する。 新たに設計された2つのトレーニングタスクを含むUniASMという,UniLMベースのバイナリコード埋め込みモデルを紹介した。 実験の結果,UniASMは評価データセットに対する最先端(SOTA)アプローチよりも優れていた。
  論文  参考訳（メタデータ） (2022-10-28T14:04:57Z)
• Towards Accurate Binary Neural Networks via Modeling Contextual Dependencies [52.691032025163175]
  既存のバイナリニューラルネットワーク(BNN)は主にバイナライズ機能を備えた局所畳み込みで動作する。 本稿では,二元系ニューラルモジュールの設計を新たに提案し,二元系ニューラルモジュールを大きなマージンで導く。
  論文  参考訳（メタデータ） (2022-09-03T11:51:04Z)
• Training Free Graph Neural Networks for Graph Matching [103.45755859119035]
  TFGMは、グラフニューラルネットワーク(GNN)ベースのグラフマッチングのパフォーマンスをトレーニングなしで向上するフレームワークである。 TFGMをさまざまなGNNに適用することは、ベースラインよりも有望な改善を示している。
  論文  参考訳（メタデータ） (2022-01-14T09:04:46Z)
• Evaluating Modules in Graph Contrastive Learning [29.03038320344791]
  グラフコントラスト学習モデルを4つのモジュールに分解するフレームワークを提案する。 ノード分類タスクとグラフ分類タスクについて実験を行う。 モジュール化されたツールキットOpenGCLとして実装と結果をリリースします。
  論文  参考訳（メタデータ） (2021-06-15T14:14:23Z)
• BCFNet: A Balanced Collaborative Filtering Network with Attention Mechanism [106.43103176833371]
  協調フィルタリング(CF)ベースの推奨方法が広く研究されている。 BCFNet(Balanced Collaborative Filtering Network)という新しい推薦モデルを提案する。 さらに注意機構は、暗黙のフィードバックの中で隠れた情報をよりよく捉え、ニューラルネットワークの学習能力を強化するように設計されている。
  論文  参考訳（メタデータ） (2021-03-10T14:59:23Z)

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。