論文の概要: LOHRE: Execution-Grounded Type Recovery via LLM-Orchestrated Hybrid Analysis
- arxiv url: http://arxiv.org/abs/2611.14946v1
- Date: Wed, 11 Nov 2026 02:50:30 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-11-14 01:36:32.98976
- Title: LOHRE: Execution-Grounded Type Recovery via LLM-Orchestrated Hybrid Analysis
- Title(参考訳): LLM-Orchestrated Hybrid Analysis による実行域型回収
- Abstract要約: セキュリティ解析のための削除されたバイナリ関数のドキュメント化には、関数インターフェースとユーザ定義型(UDT)レイアウトをマシンコードから復元する必要がある。
既存の大きな言語モデル(LLM)ベースのメソッドには2つの制限がある。
LLM-Orchestrated Hybrid Reverse Engineering (LOHRE) は、推定されたUDTを偽装可能な仮説として扱い、プログラムの実行に対してテストするフレームワークである。
- 参考スコア(独自算出の注目度): 12.712966473346704
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Documenting stripped binary functions for security analysis requires recovering function interfaces and user-defined type (UDT) layouts from machine code. Existing large language model (LLM)-based methods face two limitations: they lack execution-based validation to detect inferred UDTs inconsistent with actual memory layouts, and may overlook evidence about shared UDTs across functions without direct call relationships. We present LLM-Orchestrated Hybrid Reverse Engineering (LOHRE), a framework that treats inferred UDTs as falsifiable hypotheses and tests them against program execution. LOHRE uses a hypothesize-validate-refine loop to test candidate layouts through paired dynamic slice emulation of baseline and mutated inputs. To reduce the cost of processing lengthy execution histories, the Execution-Depth Heuristic (EDH) compresses paired traces into an execution-depth difference and a summary of the tested field's observed uses. A cross-function knowledge base aggregates compatible UDT hypotheses and field-level confidence scores to guide testing and hypothesis refinement. We evaluate LOHRE on RealType at four optimization levels and a Windows remote procedure call (RPC) dataset. LOHRE achieves an average UDT Structural accuracy of 57.85% across RealType's four optimization levels and 35.6% on Windows RPC, outperforming the evaluated static baselines. Disabling dynamic validation reduces accuracy to 19.28% on RealType and 9.2% on Windows RPC. Removing the cross-function knowledge base reduces accuracy to 41.03% on RealType and 10.0% on Windows RPC. Replacing EDH's compressed feedback with full execution traces reduces recovery accuracy while increasing token use by 3.7 times and runtime by 3.0 times. These results indicate that execution-based validation, compact feedback, and cross-function evidence contribute to accurate and efficient UDT recovery.
- Abstract(参考訳): セキュリティ解析のための削除されたバイナリ関数のドキュメント化には、関数インターフェースとユーザ定義型(UDT)レイアウトをマシンコードから復元する必要がある。
既存の言語モデル(LLM)ベースのメソッドでは、実際のメモリレイアウトと矛盾しない推論されたUDTを検出するための実行ベースの検証が欠如しており、直接呼び出し関係のない関数間で共有UDTに関する証拠を見落としている可能性がある。
LLM-Orchestrated Hybrid Reverse Engineering (LOHRE) は、推定されたUDTを偽装可能な仮説として扱い、プログラムの実行に対してテストするフレームワークである。
LOHREは仮説値再定義ループを使用して、ベースラインと可変入力の動的スライスエミュレーションをペアで行うことで、候補レイアウトをテストする。
長い実行履歴を処理するコストを低減するため、Execution-Depth Heuristic (EDH)は、ペア化されたトレースを実行深度差とテストフィールドの観測された使用状況の要約に圧縮する。
クロスファンクショナル知識ベースは、互換性のあるUDT仮説とフィールドレベルの信頼スコアを集約し、テストと仮説修正をガイドする。
我々は、RealType上のLOHREを4つの最適化レベルとWindowsリモートプロシージャコール(RPC)データセットで評価する。
LOHREは、RealTypeの4つの最適化レベルで57.85%、Windows RPCで35.6%という平均的なUDT構造精度を達成し、評価された静的ベースラインを上回っている。
動的バリデーションの無効化により、RealTypeでは19.28%、Windows RPCでは9.2%まで精度が低下する。
クロスファンクショナルナレッジベースを削除することで、RealTypeでは41.03%、Windows RPCでは10.0%の精度で精度が低下する。
EDHの圧縮されたフィードバックを完全な実行トレースで置き換えることで、トークンの使用量を3.7倍、実行時間を3.0倍に向上させながら、回復の精度を低下させる。
これらの結果は, 実行に基づく検証, コンパクトフィードバック, クロスファンクショナルエビデンスが, 正確かつ効率的なUDT回収に寄与していることを示している。
関連論文リスト
- Compile as Hypothesis: A Headroom Typology for Prompt Optimization on Real Reasoning Models [0.7734726150561088]
自動プロンプトコンパイラは、最適化が下流のパフォーマンスを継続的に改善するという暗黙の仮定の下で、検索または書き直しを行う。
4つのファミリー(ゲノム検索、プロファイル誘導突然変異、EPA、ESPO)で構造化された検索は、強い推論者に対して統計的に有意な精度を得られない。
離散構造は、致命的な構造安定性をもたらし、破滅的な二モーダル種子崩壊を防ぐ。
論文 参考訳(メタデータ) (2026-10-31T17:24:48Z) - RESETTLE: Robotic Recovery through Disagreement-Triggered Retrieval and Efficient Corrective Control [92.47481295713227]
本稿では,凍結ロボットポリシーのアクション・エグゼクティブ・インタフェースにおいて,効率的なリカバリのためのモデルに依存しないフレームワークであるRESETTLEを紹介する。
適応されたV-JEPAエンコーダを使用して、同じタスクのデモ参照を取得する。
LIBERO-Plus、Meta-World、RoboCasaでは最大8.70%、6.28%、絶対的な成功率6.83%に達する。
論文 参考訳(メタデータ) (2026-10-08T15:49:03Z) - Coding Agents are Strong Prompt Optimizers [7.9205333979965635]
市販の符号化エージェントが直接最適化されたプロンプトを合成可能であることを示す。
我々はこのアプローチをtextCoding-Agent Skill Distillation (CASD) と呼ぶ。
論文 参考訳(メタデータ) (2026-08-13T11:10:32Z) - A-SR: Self-Evolving Agentic LLMs for Symbolic Regression via Hierarchical Coordination [51.06539604709775]
本稿では、制御ユニットを表現編集からロール条件のエビデンスビューへシフトさせる自己進化型エージェントフレームワークであるA-SRを提案する。
A-SRは、コーディネートプロトコル、オンライン評価器・リワードロールポリシー、および状態制御プロセスメモリ間のルーティングによる公式発見をコーディネートする。
論文 参考訳(メタデータ) (2026-08-05T14:01:10Z) - Agentic Proof and Property-Based Testing via Property-Templates in Data-Intensive Computing [6.28395649374318]
本稿では,Apache Spark計算における繰り返し特性パターンについて検討する。
我々は、プロパティテンプレートを使用して、Lean 4定理証明器の正確性を正式に検証するエージェント型デュアルトラック検証フレームワークを設計する。
評価の結果, 特性テンプレートは薬剤的証明工学的成功率を2.6倍(平均1.6倍)に向上し, 実証幻覚を59%減少させることがわかった。
論文 参考訳(メタデータ) (2026-07-10T03:33:47Z) - Rewarding the Scientific Process: Process-Level Reward Modeling for Agentic Data Analysis [68.28714988482703]
プロセス・リワード・モデル(PRM)は、LLM(Large Language Models)の推論能力を増強することに成功した。
本稿では,一般ドメインのPRMがデータ分析エージェントの監督に苦慮していることを示す。
本稿では,新しい環境対応生成プロセス報酬モデルであるDataPRMを紹介する。
論文 参考訳(メタデータ) (2026-04-27T09:00:30Z) - Controllable and Verifiable Tool-Use Data Synthesis for Agentic Reinforcement Learning [82.89535601592739]
マルチレベル検証を用いた自己進化型合成により,信頼性の高い基本ツール利用軌跡を生成する2段階パイプラインを提案する。
これらの拡張は、トラクタツール、間接的または曖昧なユーザクエリ、ノイズ、マルチフォーマット、あるいは誤ったツール出力を導入します。
本設計では,標準事例に対する参照マッチングによる報酬の自動計算と,エラー検出などの特別な動作に対する軽量な判断支援検証を実現する。
論文 参考訳(メタデータ) (2026-04-10T18:38:52Z) - Runtime Execution Traces Guided Automated Program Repair with Multi-Agent Debate [8.424102114588559]
自動プログラム修復(APR)は複雑なロジックエラーとサイレント障害に悩まされる。
現在のLLMベースのAPRメソッドは主に静的であり、ソースコードと基本的なテスト出力に依存している。
我々は、パッチ検証のための共有制約としてランタイム事実を活用するマルチエージェントフレームワークであるTraceRepairを提案する。
論文 参考訳(メタデータ) (2026-04-03T02:23:25Z) - SPARC: Scenario Planning and Reasoning for Automated C Unit Test Generation [1.0010193170880752]
本稿では,高レベルのプログラム意図とポインタ演算と手動メモリ管理の厳密な構文制約とのギャップを埋める,ニューロシンボリックなシナリオベースのフレームワークを提案する。
我々は、59の現実世界およびアルゴリズムの被験者で評価し、バニラプロンプト生成ベースラインを31.36%、分岐カバレッジ26.01%、突然変異スコア20.78%で上回り、シンボリック実行ツールKLEEに適合または超えている。
論文 参考訳(メタデータ) (2026-02-18T18:09:03Z) - Prism: Efficient Test-Time Scaling via Hierarchical Search and Self-Verification for Discrete Diffusion Language Models [96.0074341403456]
LLM推論を改善するための実用的な方法として、推論時計算が再導入されている。
テスト時間スケーリング(TTS)アルゴリズムの多くは、自動回帰デコーディングに依存している。
そこで我々は,dLLM のための効率的な TTS フレームワーク Prism を提案する。
論文 参考訳(メタデータ) (2026-02-02T09:14:51Z)
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。