論文の概要: CHISEL-ing Back Source Code with AI-enabled Iterative Recovery
- arxiv url: http://arxiv.org/abs/2608.27981v1
- Date: Fri, 28 Aug 2026 06:49:21 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-31 17:16:04.229372
- Title: CHISEL-ing Back Source Code with AI-enabled Iterative Recovery
- Title（参考訳）: AI対応イテレーティブリカバリによるCHISEL入力バックソースコード
- Abstract要約: Decompilationは、バイナリから高レベル、コンパイル可能、セマンティックに等価なコードを復元することを目的としている。
従来の逆コンパイラは読みにくく、コンパイルできない擬似Cを生成するが、最近のLCM支援アプローチは読みやすいが意味的に正しくないコードを生成する。
本稿では,Ghidra由来の擬似Cから反復的にソースコードを復元するテストスイートフリーフレームワークであるCHISELを提案する。
- 参考スコア（独自算出の注目度）: 7.946261291068861
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Decompilation aims to recover high-level, compilable, and semantically equivalent code from binaries. Traditional decompilers produce pseudo-C that is difficult to read and does not compile, while the recent LLM-assisted approaches generate readable, but semantically incorrect code. LLM-aided iterative recovery is an emerging branch of research, but prior works rely on supplied test suites for semantic recovery. In this work, we present CHISEL, a test suite-free framework to iteratively recover source code from Ghidra-derived pseudo-C. CHISEL uses simple yet effective feedback from a compiler (static analysis) and a coverage-guided fuzzer (differential analysis), augmented by rich observables for grounded divergence detection and feedback, cross-iteration divergence memory, and best candidate retention. We systematically evaluate CHISEL for compilation and semantic recovery, feedback oracle soundness, and iteration overhead on 120 ExeBench functions compiled for the x86-64 architecture, across four optimizations (O0-O3), in both stripped and unstripped variants, using the open-weight Gemma4:31b LLM. CHISEL, with all recommended features, achieves an average of 96.1% re-compilability and 79.8% re-executability rates at an average of 2.1 iterations. Significantly, CHISEL recovers 26% of first-generation execution errors. At the same time, CHISEL feedback oracle falsely accepts only 9.4% candidates. Lastly, CHISEL performs significantly better than two recent prior work on LLM-assisted decompilation.
- Abstract（参考訳）: Decompilationは、バイナリから高レベル、コンパイル可能、セマンティックに等価なコードを復元することを目的としている。
従来の逆コンパイラは読みにくく、コンパイルできない擬似Cを生成するが、最近のLCM支援アプローチは読みやすいが意味的に正しくないコードを生成する。
LLM支援反復リカバリは研究の新たな分野であるが、以前の研究はセマンティックリカバリのために供給されたテストスイートに依存していた。
本稿では,Ghidra由来の擬似Cからソースコードを反復的に復元するテストスイートフリーフレームワークであるCHISELを提案する。
CHISELは、コンパイラ(静的解析)とカバレッジ誘導ファジィザ(微分解析)からの単純で効果的なフィードバックを使用し、基底発散検出とフィードバック、クロスイテレーション発散メモリ、ベスト候補保持のためにリッチな可観測器によって強化される。
オープンウェイトなGemma4:31b LLMを用いて,x86-64アーキテクチャ向けにコンパイルされた120 ExeBench関数のコンパイルおよびセマンティックリカバリ,フィードバックオラクルの健全性,反復オーバーヘッドを4つの最適化(O0-O3)で系統的に評価した。
CHISELは推奨機能をすべて備え、平均96.1%の再コンパイル性と79.8%の再実行率を平均2.1イテレーションで達成している。
重要なことに、CHISELは第1世代の実行エラーの26%を回復する。
同時に、CISELのフィードバックオラクルは9.4%の候補者しか受け入れていない。
最後に、CHISELはLLM支援逆コンパイルに関する最近の2つの先行研究よりも大幅に性能が向上した。
関連論文リスト
- When LLM Decompilers Recompile More and Preserve Less [35.2873296518414]
我々は、ある関数が出荷された全てのテストに合格し、他の正当な入力で分岐することを示します。
De-Divergeは,定型あるいは手作業によるテストに頼らない行動比較オラクルである。
論文 参考訳（メタデータ） (2026-09-04T17:16:18Z) - STILL: Recovering Lowered STL Semantics for LLM-assisted C++ Decompilation [51.12395225250876]
制御フローグラフから関数レベルのSTLコンテナセマンティクスを予測する構造的セマンティクスインタフェースSTILLを提案する。
StlBenchでは、STILLがコンテナレベルの共通STLセマンティクスを予測する。
取り除かれたHumanEvalの非コンパイルでは、DeepSeek-Chatの改良は28.4%に到達した。
論文 参考訳（メタデータ） (2026-08-26T21:20:54Z) - Can Large Language Models Recover Semantic Optimization Opportunities That Compilers Miss? [5.989315760622425]
大型言語モデル(LLM)は異種C/C++コンテキストから有効セマンティクスを復元することができる。
SeGaBenchは、100の合成ケースと20のソースバックケースを含む実行可能なベンチマークである。
最強のモデルは94.8%のレスポンスで正しいアーティファクトを生成し、83.3%で少なくとも1.05倍のスピードアップを達成し、93.3%のケースでパフォーマンスに成功している。
論文 参考訳（メタデータ） (2026-08-04T17:47:25Z) - CODEFUSE-DEBENCH: An Empirical Study on Readability, Recompilability, and Functionality [14.354022325641088]
本稿では, 可読性, 再コンパイル性, 機能性の3次元に沿って, 再コンパイル品質を測定する再利用可能な評価パラダイムを提案する。
我々は,多次元デコンパイル評価のための最初の自動フレームワークであるDEBENCHを提案する。
論文 参考訳（メタデータ） (2026-05-28T07:17:53Z) - Constraint-Guided Multi-Agent Decompilation for Executable Binary Recovery [47.704311990064554]
脱コンパイルは、セキュリティ分析、マルウェアのリバースエンジニアリング、レガシーソフトウェアメンテナンスに不可欠である。
マルチレベル制約誘導型デコンパイル(MCGD)により,デコンパイルされたコードを再実行可能なソースに変換するマルチエージェントフレームワークを提案する。
本フレームワークは,84～97%の再実行性を実現し,28～89ポイントのベースラインデコンパイラ出力を改善した。
論文 参考訳（メタデータ） (2026-04-27T01:28:11Z) - Resource-Efficient Iterative LLM-Based NAS with Feedback Memory [49.44875022114861]
ニューラルアーキテクチャサーチ(NAS)はネットワーク設計を自動化するが、従来の手法ではかなりの計算資源を必要とする。
本稿では,大規模言語モデル(LLM)を活用して,畳み込みニューラルネットワークアーキテクチャを反復的に生成し,評価し,洗練するクローズドループパイプラインを提案する。
論文 参考訳（メタデータ） (2026-03-12T16:00:22Z) - Context-Guided Decompilation: A Step Towards Re-executability [50.71992919223209]
バイナリ逆コンパイルは、ソフトウェアセキュリティ分析、リバースエンジニアリング、マルウェア理解において重要な役割を果たす。
大規模言語モデル (LLMs) の最近の進歩により、ニューラルデコンパイルが可能になったが、生成されたコードは一般的に意味論的にのみ使用可能である。
In-context Learning(ICL)を活用して,再実行可能なソースコードを生成するためのILC4Decompを提案する。
論文 参考訳（メタデータ） (2025-11-03T17:21:39Z) - QiMeng-NeuComBack: Self-Evolving Translation from IR to Assembly Code [52.66657751895655]
大規模言語モデル(LLM)は、ニューラルコンパイルという魅力的な新しいパラダイムを提供する。
本稿では,IR-to-assemblyコンパイル用に設計された新しいベンチマークデータセットであるNeuComBackを紹介する。
LLMの内部的なプロンプト戦略を進化させる自己進化的プロンプト最適化法を提案する。
論文 参考訳（メタデータ） (2025-11-03T03:20:26Z) - D-LiFT: Improving LLM-based Decompiler Backend via Code Quality-driven Fine-tuning [49.16469288280772]
逆コンパイラは、バイナリから可読なソースコードを再構築する。
近年の進歩にもかかわらず、そのアウトプットは構文上の誤りや意味的な誤りに悩まされ、読みにくいままである。
大規模言語モデル (LLMs) の出現により、研究者は逆コンパイラ出力を洗練するためのLLMの可能性を探り始めた。
D-LIFTは、微調整強化学習を施した拡張逆コンパイラLLMパイプラインである。
論文 参考訳（メタデータ） (2025-06-11T19:09:08Z) - ALGO: Synthesizing Algorithmic Programs with LLM-Generated Oracle
Verifiers [60.6418431624873]
大きな言語モデル(LLM)は、機能記述からコードを実装するのに優れているが、アルゴリズムの問題に悩まされている。
我々は,アルゴリズムプログラムを LLM 生成 Oracle で合成するフレームワーク ALGO を提案し,その生成をガイドし,その正確性を検証する。
実験の結果,ALGOを装着すると,Codexモデルよりも8倍,CodeTよりも2.6倍の1サブミッションパス率が得られることがわかった。
論文 参考訳（メタデータ） (2023-05-24T00:10:15Z)
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。