論文の概要: Hieronym: Leveraging Hierarchical Multi-Source Information for Function Renaming in Stripped Binary

• arxiv url: http://arxiv.org/abs/2609.12457v1
• Date: Fri, 11 Sep 2026 05:24:12 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-15 07:38:31.633472
• Title: Hieronym: Leveraging Hierarchical Multi-Source Information for Function Renaming in Stripped Binary
• Title（参考訳）: Hieronym: ストリップバイナリにおける関数リネームのための階層的マルチソース情報を活用する
• Abstract要約: 提案するHieronymは,ジェネレーティブな大規模言語モデル (LLM) をベースとした,二分関数リネームのためのフレームワークである。 我々は、4つのアーキテクチャ(x64、x86、ARM、MIPS)に対して4つのコンパイラ最適化レベル(O0-O3)でコンパイルされたバイナリ関数の階層性を評価する。 実世界のマルウェアサンプルの実験は、セキュリティクリティカルなシナリオにおけるヒエロニムの実用的有効性をさらに検証する。
• 参考スコア（独自算出の注目度）: 40.3850020697734
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Function renaming in stripped binaries can substantially assist reverse engineers by improving code readability, yet it is a challenging task. The difficulty stems from the need to accurately capture function semantics from low-level binary code across diverse instruction sets, architectures, and compiler optimizations, and to express these semantics in concise, human-readable names. Existing approaches either inadequately capture comprehensive function semantics or exhibit limited generalization to previously unseen binaries. In this paper, we present Hieronym, a generative large language model (LLM)-based framework for stripped binary function renaming. Hieronym adopts a hierarchical summarization-driven domain adaptation strategy and integrates multi-source information, including global binary context, local calling context, and intrinsic function semantics, to enhance the LLM's understanding of binary code. To enable systematic evaluation, we further propose a dual-layer evaluation framework that incorporates both token-level and whole-name-level metrics. We evaluate Hieronym on binary functions compiled with four compiler optimization levels (O0-O3) for four architectures (x64, x86, ARM, and MIPS). Experimental results demonstrate that Hieronym significantly outperforms state-of-the-art methods, achieving token-level improvements of 50.12% in precision, 41.75% in recall, and 45.10% in F1-score, as well as a 79.94% improvement in name-level accuracy, while also exhibiting strong generalization capability. Moreover, experiments on real-world malware samples further validate the practical effectiveness of Hieronym in security-critical scenarios.
• Abstract（参考訳）: 削除されたバイナリの関数リネームは、コードの可読性を改善することで、リバースエンジニアを実質的に支援するが、これは難しい作業である。 この難しさは、様々な命令セット、アーキテクチャ、コンパイラ最適化にまたがる低レベルのバイナリコードから関数セマンティクスを正確にキャプチャし、簡潔でヒューマン可読な名前でこれらのセマンティクスを表現することにある。 既存のアプローチでは、包括的関数のセマンティクスを不十分にキャプチャするか、あるいは以前は見られなかったバイナリに限定的な一般化を示すかのいずれかである。 本稿では,ジェネレーティブ・大規模言語モデル(LLM)をベースとした二項関数リネームのためのフレームワークであるHieronymを提案する。 Hieronymは階層的な要約駆動のドメイン適応戦略を採用し、グローバルバイナリコンテキスト、ローカルコールコンテキスト、固有の関数セマンティクスを含むマルチソース情報を統合して、LLMのバイナリコードの理解を強化する。 さらに,トークンレベルと全名レベルの両方のメトリクスを組み込んだ2層評価フレームワークを提案する。 我々は、4つのアーキテクチャ(x64, x86, ARM, MIPS)に対して4つのコンパイラ最適化レベル(O0-O3)でコンパイルされたバイナリ関数の階層性を評価する。 実験の結果、ヒエロニムは最先端の手法を著しく上回り、トークンレベルの精度が50.12%、リコールが41.75%、F1スコアが45.10%、名前レベルの精度が79.94%向上し、強力な一般化能力を示した。 さらに、実世界のマルウェアサンプルの実験は、セキュリティクリティカルなシナリオにおけるヒエロニムの実用的有効性をさらに検証する。

関連論文リスト

• Pretraining on Call Graphs: When Binary Analysis Tasks Profit From Context [7.347989843033034]
  2つの最先端のバイナリ関数埋め込みモデルによって生成された埋め込みについて、グラフベースモデルを用いて実験を行う。 意味的類似性タスクの最適化は,構文的タスクの性能の低下と相関することがわかった。
  論文  参考訳（メタデータ） (2026-08-03T11:44:09Z)
• 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)
• AGNOMIN - Architecture Agnostic Multi-Label Function Name Prediction [9.68431690826362]
  本稿では,削除されたバイナリにおける複数ラベル関数名予測の新しい手法AGNOMINを提案する。 AGNOMINはFeature-Enriched Hierarchical Graphs (FEHGs)を構築し、コントロールフローグラフ、ファンクションコールグラフ、動的に学習されたtexttPCode機能を組み合わせた。 我々はAGNOMINを3つのアーキテクチャにわたる9000個のELF実行可能バイナリの包括的データセットで評価し、最先端のアプローチと比較して優れた性能を示した。
  論文  参考訳（メタデータ） (2025-09-29T21:18:18Z)
• 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)
• 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)
• ReF Decompile: Relabeling and Function Call Enhanced Decompile [50.86228893636785]
  逆コンパイルの目標は、コンパイルされた低レベルコード(アセンブリコードなど)を高レベルプログラミング言語に変換することである。 このタスクは、脆弱性識別、マルウェア分析、レガシーソフトウェアマイグレーションなど、さまざまなリバースエンジニアリングアプリケーションをサポートする。
  論文  参考訳（メタデータ） (2025-02-17T12:38:57Z)
• Enhancing Function Name Prediction using Votes-Based Name Tokenization and Multi-Task Learning [10.668991471782618]
  投票による名前のトークン化とマルチタスク学習を用いた関数名予測を行うフレームワークを提案する。 Epitomeは、事前訓練されたアセンブリ言語モデルとグラフニューラルネットワークにより、包括的な機能意味学を学ぶ。 エピトームは最先端の関数名予測ツールを44.34%、64.16%、54.44%の精度、リコール、F1スコアで上回っている。
  論文  参考訳（メタデータ） (2024-05-15T06:01:40Z)
• 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)
• CP-BCS: Binary Code Summarization Guided by Control Flow Graph and Pseudo Code [79.87518649544405]
  本稿ではCP-BCSと呼ばれる制御フローグラフと擬似コード案内バイナリコード要約フレームワークを提案する。 CP-BCSは双方向の命令レベル制御フローグラフと擬似コードを利用して、専門家の知識を取り入れ、包括的なバイナリ関数の実行動作と論理意味論を学ぶ。
  論文  参考訳（メタデータ） (2023-10-24T14:20:39Z)

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。