論文の概要: Rethinking Neural Decompilation: Candidate Selection as the Hidden Bottleneck

• arxiv url: http://arxiv.org/abs/2611.02788v1
• Date: Mon, 02 Nov 2026 09:02:54 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-11-11 19:04:50.500718
• Title: Rethinking Neural Decompilation: Candidate Selection as the Hidden Bottleneck
• Title（参考訳）: ニューラルデコンパイルを再考する:隠れたボトルネックとしての候補選択
• Abstract要約: 特にコードの難読化の下では、最高のサンプル性能と実用的な単一出力精度の間には大きなギャップが残っている。 モデルのトップ5の次点予測には、平均的な位置の95.6%で真真正銘のトークンが配置されていることを示す。 次に、テキスト、構文、埋め込み、コンセンサス、確率に基づくセレクタを用いて、入力毎に100の候補をランク付けする生成列選択パイプラインを評価する。
• 参考スコア（独自算出の注目度）: 4.512751676075442
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Reverse engineering obfuscated binaries is a core task in malware analysis and software security auditing. While neural decompilers based on Large Language Models (LLMs) have improved the readability and functional fidelity of recovered code over heuristic tools such as Ghidra and IDA Pro, a substantial gap remains between best-sample performance and practical single-output accuracy, particularly under code obfuscation. We study this gap through the lens of candidate generation and candidate selection. Using the LLM4Decompile architecture, we show that ground-truth tokens lie within the model's top-five next-token predictions in 95.6% of positions on average and that multi-sample decoding reaches a pass@100 of 93% on HumanEval-Decompile, indicating that correct reconstructions are typically already present in the model's sampling space. We then evaluate a generate-then-select pipeline that ranks 100 candidates per input with text-, syntax-, embedding-, consensus-, and likelihood-based selectors. Negative perplexity emerges as the strongest static selector on HumanEval-Decompile (73.3% pass@1), while execution-guided selection nearly closes the oracle gap on ExeBench (86.3% pass@1). Combined with one epoch of fine-tuning on our newly released ExeBench-Obfuscated dataset containing 362,647 obfuscated OLLVM samples, the same pipeline increases the pass@1 rate for obfuscated binaries to 88.8%, directly contradicting prior claims that released LLM4Decompile checkpoints are unsuitable for obfuscated inputs.
• Abstract（参考訳）: リバースエンジニアリングの難読化バイナリは、マルウェア分析とソフトウェアセキュリティ監査における中核的なタスクである。 大規模言語モデル(LLMs)に基づくニューラルデコンパイラは、GhidraやIDA Proのようなヒューリスティックツールよりも、回復したコードの可読性と機能的忠実性を向上させる一方で、特にコードの難読化の下では、最高のパフォーマンスと実用的な単一出力精度の間には大きなギャップが残っている。 我々はこのギャップを、候補生成と候補選択のレンズを通して研究する。 LLM4Decompileアーキテクチャを用いて、平均的な位置の95.6%において、モデルのトップ5の次トーケン予測内に、基底真実のトークンが存在し、マルチサンプルデコーディングがHumanEval-Decompileの93%のパス@100に達することを示す。 次に、テキスト、構文、埋め込み、コンセンサス、確率に基づくセレクタを用いて、入力毎に100の候補をランク付けする生成列選択パイプラインを評価する。 負のパープレキシティは、HumanEval-Decompile(73.3% pass@1)上で最強の静的セレクタとして現れ、実行誘導の選択はExeBench(86.3% pass@1)のオラクルギャップをほぼ閉じる。 新たにリリースしたExeBench-Obfuscatedデータセットに362,647の難読化OLLVMサンプルを含む1つの微調整と組み合わせることで、同じパイプラインは、難読化バイナリのpass@1レートを88.8%に引き上げる。

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)
• CHISEL-ing Back Source Code with AI-enabled Iterative Recovery [7.946261291068861]
  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。
  論文  参考訳（メタデータ） (2026-08-28T06:49:21Z)
• 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)
• Can Adversarial Code Comments Fool AI Security Reviewers -- Large-Scale Empirical Study of Comment-Based Attacks and Defenses Against LLM Code Analysis [0.0]
  敵対的なコメントは、検出精度に小さな、統計的に重要でない効果をもたらす。 複雑な敵戦略は単純な操作的コメントに勝るものではない。 コメントストリッピングは、有用なコンテキストを削除することで、より弱いモデルの検出を減らす。
  論文  参考訳（メタデータ） (2026-02-18T00:34:17Z)
• Lookahead Unmasking Elicits Accurate Decoding in Diffusion Language Models [51.12873073612084]
  Masked Diffusion Models (MDM) は、反復的にトークンをアンマキングすることで生成される言語モデルであるが、その性能はアンマキングの推測時間順序に依存する。 提案するLookUM(LookUM)は,これらの問題に対処し,サンプリングを可能な全注文に対して経路選択として再構成する。 LookUMはピーク性能を達成するために2～3つの経路しか必要とせず、極めて効率的な経路選択を示す。
  論文  参考訳（メタデータ） (2025-11-04T02:37:37Z)
• Decompiling Smart Contracts with a Large Language Model [51.49197239479266]
  Etherscanの78,047,845のスマートコントラクトがデプロイされているにも関わらず(2025年5月26日現在)、わずか767,520 (1%)がオープンソースである。 この不透明さは、オンチェーンスマートコントラクトバイトコードの自動意味解析を必要とする。 バイトコードを可読でセマンティックに忠実なSolidityコードに変換する,先駆的な逆コンパイルパイプラインを導入する。
  論文  参考訳（メタデータ） (2025-06-24T13:42:59Z)
• ObscuraCoder: Powering Efficient Code LM Pre-Training Via Obfuscation Grounding [60.37988508851391]
  言語モデル(LM)は、コード記述ツールボックスのベースとなっている。 Code-LMの事前学習目標の変更を探求する研究は、データ効率の向上と構文とセマンティクスの相互接続性の向上を目的としており、顕著に不十分である。 本研究では,Code-LMが表面的な構文を超越し,事前学習したサンプルの効率を高めるために,難読化コードの基盤について検討する。
  論文  参考訳（メタデータ） (2025-03-27T23:08:53Z)
• When Speculation Spills Secrets: Side Channels via Speculative Decoding In LLMs [2.305309289946973]
  そこで本研究では,不正な推測と正しい推測の入力依存パターンを,フィルタ単位のトークン数やパケットサイズをモニタすることによって推定できる,新たなサイドチャネルを明らかにする。 これらのパターンを観察する敵は、4つの投機的デコードスキームで90%の精度でユーザクエリをフィンガープリントすることができる。 パケットパディングや繰り返しトークンアグリゲーションなど,一連の軽減策を提案し,評価する。
  論文  参考訳（メタデータ） (2024-11-01T23:14:30Z)
• Zero-Shot Detection of Machine-Generated Codes [83.0342513054389]
  本研究は,LLMの生成したコードを検出するためのトレーニング不要な手法を提案する。 既存のトレーニングベースまたはゼロショットテキスト検出装置は、コード検出に効果がないことがわかった。 本手法は,リビジョン攻撃に対する堅牢性を示し,Javaコードによく適応する。
  論文  参考訳（メタデータ） (2023-10-08T10:08:21Z)

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。