論文の概要: Recall-Oriented Precise Binary-to-Source Function Matching

• arxiv url: http://arxiv.org/abs/2610.23546v1
• Date: Fri, 16 Oct 2026 14:39:24 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-20 00:56:07.956878
• Title: Recall-Oriented Precise Binary-to-Source Function Matching
• Title（参考訳）: Recall-Oriented Precise Binary-to-Source Function Matching
• Abstract要約: BScout はバイナリ-ソース間の関数マッチング精度を改善するために提案される。 BScoutは既存のマッチの位置情報を使って未解決バイナリ関数の候補を補う。 実験により、BScoutはバイナリ-ソース間の関数マッチングに有効であることが示された。
• 参考スコア（独自算出の注目度）: 19.25314537193202
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Binary-to-source function matching supports software composition analysis by identifying reused third-party code, but existing embedding-based approaches restrict subsequent refinement to initially retrieved candidates. When the correct source function is absent from this set, selecting or filtering the available candidates cannot recover the match. Inlining further complicates the retrieval by combining multiple source functions into one binary function. In this paper, we propose BScout to improve matching precision and uncover additional matches. BScout uses the positional information of existing matches to supplement candidates for unresolved binary functions, extending the search beyond the initial candidate set, and adopts composition-aware training to address the inlined composition matching. Large language models are adopted to select and review matches, while positional information also helps filter inconsistent results. Experiments show that BScout is effective in binary-to-source function matching. BScout achieves overall higher precision, recall and F1 scores than BinaryAI and SBridge with acceptable analysis costs. Particularly, on large stripped binaries, BScout outperforms the competitors with a precision increment of 32% and approximately 2.9 times the recall.
• Abstract（参考訳）: バイナリ・トゥ・ソースの関数マッチングは、再利用されたサードパーティのコードを識別することで、ソフトウェア構成解析をサポートするが、既存の埋め込みベースのアプローチは、最初に検索された候補に対するその後の改善を制限している。 このセットから正しいソース関数が欠落している場合、利用可能な候補を選択またはフィルタリングすることは、マッチングを回復できない。 インライン化は、複数のソース関数を1つのバイナリ関数に組み合わせることで、検索をさらに複雑にする。 本稿では,BScoutを提案する。 BScoutは既存のマッチングの位置情報を、未解決バイナリ関数の候補を補うために使用し、初期候補セットを越えて探索を拡張し、インライン合成マッチングに対処するためにコンポジションアウェアトレーニングを採用する。 マッチの選択とレビューには大規模な言語モデルが採用され、位置情報は一貫性のない結果のフィルタリングにも役立ちます。 実験により、BScoutはバイナリ-ソース間の関数マッチングに有効であることが示された。 BScoutは解析コストが許容できるBinaryAIやSBridgeよりも総合的に高い精度、リコール、F1スコアを実現している。 特に、大きな切り抜かれたバイナリでは、BScoutは32%の精度でリコールの約2.9倍の精度でライバルを上回っている。

関連論文リスト

• N2NMatcher: Towards Inlining-Resilient Binary Decomposition and Module Matching [10.071819176260677]
  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。
  論文  参考訳（メタデータ） (2026-08-10T09:37:42Z)
• 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)
• 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)
• BinaryAI: Binary Software Composition Analysis via Intelligent Binary Source Code Matching [8.655595404611821]
  BinaryAIは2フェーズのバイナリソースコードマッチングを備えた新しいバイナリ・ソースSCA技術で、構文的および意味的両方のコード特徴をキャプチャする。 実験の結果、バイナリソースコードマッチングと下流SCAタスクにおいて、BinaryAIの優れた性能を示しました。
  論文  参考訳（メタデータ） (2024-01-20T07:57:57Z)
• Semi-DETR: Semi-Supervised Object Detection with Detection Transformers [105.45018934087076]
  半教師付き物体検出(SSOD)におけるDETRに基づくフレームワークの解析 本報告では,第1次変圧器を用いたエンド・ツー・エンド半教師対象検出器であるSemi-DETRについて述べる。 我々の手法は、最先端の手法をクリアマージンで上回る。
  論文  参考訳（メタデータ） (2023-07-16T16:32:14Z)
• Deep Probabilistic Graph Matching [72.6690550634166]
  本稿では,マッチング制約を伴わずに,元のQAPに適合する深層学習ベースのグラフマッチングフレームワークを提案する。 提案手法は,一般的な3つのベンチマーク(Pascal VOC,Wilow Object,SPair-71k)で評価され,すべてのベンチマークにおいて過去の最先端よりも優れていた。
  論文  参考訳（メタデータ） (2022-01-05T13:37:27Z)
• Adversarial Retriever-Ranker for dense text retrieval [51.87158529880056]
  本稿では、二重エンコーダレトリバーとクロスエンコーダローダからなるAdversarial Retriever-Ranker(AR2)を提案する。 AR2は、既存の高密度レトリバー法より一貫して大幅に優れている。 これには、R@5から77.9%(+2.1%)、TriviaQA R@5から78.2%(+1.4)、MS-MARCO MRR@10から39.5%(+1.3%)の改善が含まれている。
  論文  参考訳（メタデータ） (2021-10-07T16:41:15Z)
• 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。