論文の概要: InterType: Breaking the Single-Function Barrier in Neural Binary Type Inference

• arxiv url: http://arxiv.org/abs/2610.26906v1
• Date: Sat, 17 Oct 2026 02:09:54 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-21 21:58:47.382153
• Title: InterType: Breaking the Single-Function Barrier in Neural Binary Type Inference
• Title（参考訳）: InterType: ニューラルバイナリ型推論における単一機能バリアの破壊
• Abstract要約: プログラム間解析を事前学習したトランスフォーマーモデルに組み込んでバイナリ型回復を行う手法であるInterTypeを提案する。 当社のアプローチは,2進解析のための最先端のトランスフォーマーモデルであるCodeArtをベースとして,コールカリーデータフローの依存関係を組み込んで拡張する。
• 参考スコア（独自算出の注目度）: 1.4858236562110771
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Variable type recovery is a critical task in binary reverse engineering, enabling downstream applications such as vulnerability discovery, malware analysis, and security enforcement. While recent Transformer-based models have demonstrated strong performance in type inference by learning instruction-level semantics, they predominantly operate within single-function boundaries (i.e. intra-procedural analysis), ignoring the rich type constraints that propagate across function calls. Empirical studies have shown that nearly 44% of variables in real-world binaries propagate across function boundaries as arguments or return values, representing a significant source of type information that intra-procedural models cannot exploit. In this paper, we propose InterType, a method that embeds inter-procedural analysis into a pre-trained Transformer model for binary type recovery. Our approach builds on CodeArt, a state-of-the-art Transformer model for stripped binary analysis, and extends it by incorporating caller-callee data flow dependencies during fine-tuning. Specifically, we extract data flow dependence for each caller-callee pair from disassembled binaries and construct training instances that provide the model with cross-function context. By exposing the Transformer to inter-procedural variable propagation patterns, our model learns to resolve types that depend on cross-function data flow. We evaluate InterType on the coreutils benchmark compiled with optimization levels O0 through O3. On O1 binaries, InterType improves recall by 2.76 percentage points, from 89.00% for the intra-procedural CodeArt baseline to 91.76%, corresponding to a 25.1% reduction in recall error rate (1 - recall).
• Abstract（参考訳）: 可変型リカバリはバイナリリバースエンジニアリングにおいて重要なタスクであり、脆弱性発見やマルウェア分析、セキュリティ強化といった下流アプリケーションを可能にする。 最近のTransformerベースのモデルでは、命令レベルのセマンティクスを学習することで型推論の性能が強いが、主に単一機能境界内で動作し、関数呼び出し間で伝播するリッチな型制約を無視している。 実世界のバイナリにおける変数の44%近くは、引数や戻り値として関数境界を越えて伝播し、プロデューラルモデルでは利用できない型情報の重要な源であることを実証的な研究が示している。 本稿では,プログラム間解析を事前学習したトランスフォーマーモデルに組み込んでバイナリ型回復を行う手法であるInterTypeを提案する。 提案手法は,2値解析のための最先端のトランスフォーマーモデルであるCodeArt上に構築され,微調整中に呼び出し元とキャリーのデータフローの依存関係を組み込むことで拡張する。 具体的には、分解したバイナリから各呼び出し元とキャリーペアのデータフロー依存性を抽出し、クロスファンクショナルコンテキストのモデルを提供するトレーニングインスタンスを構築する。 トランスフォーマーを言語間変数伝搬パターンに公開することにより、我々のモデルはクロスファンクショナルデータフローに依存するタイプの解決を学習する。 最適化レベルO0からO3でコンパイルされたcoreutilsベンチマーク上でInterTypeを評価する。 O1バイナリでは、InterTypeはリコール率を2.76ポイント改善し、プロデューラルなCodeArtベースラインの89.00%から91.76%まで改善し、リコールエラー率を25.1%削減した(1-リコール)。

関連論文リスト

• Training-Free Transformer Merging via Sequential Local Operator Alignment [62.80152875963259]
  トレーニングフリーのモデルマージは、ラベル付きデータにさらなる最適化を加えることなく、複数の微調整されたモデルを単一のモデルに組み合わせることを目的としている。 トランスでは、クエリキーと値出力演算子が合成行列に依存するため、個々のレイヤを独立にマージすることは、共有の注意に影響を与える可能性がある。 本稿では,部分的にマージされたモデルの実行経路に沿ってトランスフォーマーをマージするトレーニングフリーな手法であるSequential Local Operator Alignmentを紹介する。
  論文  参考訳（メタデータ） (2026-10-05T14:30:28Z)
• Dynamic analysis enhances issue resolution [53.50448142467294]
  DAIRA(Dynamic Analysis-enhanced Issue Resolution Agent)は、エージェントの推論サイクルに動的解析を組み込む自動修復フレームワークである。 テストトレース駆動の方法論によって駆動されるDAIRAは、軽量モニタを使用して重要なランタイムデータを抽出する。 Gemini 3 Flash Previewを使用すると、DAIRAは新たな最先端(SOTA)パフォーマンスを確立し、SWE-bench Verifiedデータセットで79.4%の解像度を達成する。
  論文  参考訳（メタデータ） (2026-03-23T14:48:54Z)
• Fool Me If You Can: On the Robustness of Binary Code Similarity Detection Models against Semantics-preserving Transformations [7.222996408214315]
  バイナリコード類似性検出作業におけるディープラーニングモデルの堅牢性を評価する。 620のベースラインサンプルから9,565のバイナリ変数のデータセットを構築した。
  論文  参考訳（メタデータ） (2026-02-13T07:23:15Z)
• Neural Network Reprogrammability: A Unified Theme on Model Reprogramming, Prompt Tuning, and Prompt Instruction [57.19302613163439]
  モデル適応のための統一フレームワークとして,ニューラルネットワークの再プログラム可能性を導入する。 本稿では,4つの重要な側面にまたがる情報操作アプローチを分類する分類法を提案する。 残る技術的課題や倫理的考察も分析する。
  論文  参考訳（メタデータ） (2025-06-05T05:42:27Z)
• 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)
• A Progressive Transformer for Unifying Binary Code Embedding and Knowledge Transfer [15.689556592544667]
  本稿では,バイナリコード埋め込みのための新しいトランスフォーマーベースの手法であるProTSTを紹介する。 ProTSTは、独特の木のような構造に基づく階層的なトレーニングプロセスを採用している。 その結果, ProTSTは従来の2段階トレーニングに比べて14.8%改善した(F1, MRR, Recall@1)。
  論文  参考訳（メタデータ） (2024-12-15T13:04:29Z)
• 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)
• Mitigating Generation Shifts for Generalized Zero-Shot Learning [52.98182124310114]
  一般化ゼロショット学習(英: Generalized Zero-Shot Learning、GZSL)は、学習中に見知らぬクラスが観察できない、見つからないサンプルを認識するために意味情報(属性など)を活用するタスクである。 本稿では,未知のデータ合成を効率よく,効率的に学習するための新しい生成シフト緩和フローフレームワークを提案する。 実験結果から,GSMFlowは従来のゼロショット設定と一般化されたゼロショット設定の両方において,最先端の認識性能を実現することが示された。
  論文  参考訳（メタデータ） (2021-07-07T11:43:59Z)

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。