实战

LLM 辅助逆向实战:真正省时间的是验证

LLM 能批量命名函数、解释控制流并提出验证方向,但逆向分析的成本没有消失,反而转移到了调试、核验与隔离环境搭建上。

字号

Hacker News 首页热帖展示了一套让 LLM 参与二进制分析的工作流。它能省下读代码和整理上下文的时间,但最昂贵的环节仍是核验答案。

热点不只在新模型

这次登上 Hacker News 首页的,不是新模型,也不是新的 benchmark。

讨论来自 Slow Chronicle 上一篇题为 LLM assisted reverse engineering 的文章。它记录了如何让大语言模型参与二进制逆向工程,包括函数命名、控制流解释、伪代码生成,以及可疑逻辑定位。

原文链接:https://www.slowchronicle.com/posts/llm-assisted-reverse-engineering

对应的 Hacker News 讨论也进入了首页,拿到了 172 分和 44 条评论:

https://news.ycombinator.com/item?id=50553225

这件事值得关注,原因不在模型又涨了多少分。

它把一个具体问题摆到了开发者面前:当分析对象是陌生二进制、混淆代码或缺少源码的程序时,LLM 究竟能替人做多少事?

答案不是“全自动破解”。更现实的说法是:LLM 可以压缩熟悉代码库所需的时间,但验证成本仍然存在。

LLM 到底接手了哪一步

这类工作流通常从静态分析开始。分析者先用工具把二进制转换成接近反编译代码的形式,再把函数、调用关系和控制流交给模型处理。

下面这段 Python 代码只能读取文件,不是逆向分析:

from pathlib import Path

source = Path("sample.c")
if not source.exists():
    raise SystemExit("sample.c not found")

text = source.read_text(encoding="utf-8")
print(f"Loaded {len(text)} characters")

运行结果类似:

Loaded 42 characters

真正的流程通常包括以下几步:

  1. 从反编译结果中截取一个函数。
  2. 让 LLM 推测函数用途,并给出更可读的名称。
  3. 请求模型解释分支、循环和间接调用。
  4. 根据解释生成伪代码或测试假设。
  5. 用断点、调试器和真实输入验证。

第一步对 LLM 来说尤其友好。

假设反编译器给出:

int sub_401230(int a, int b) {
    if (a < 0) {
        return sub_401190(b);
    }
    return a * b + 7;
}

模型可能把它命名为 calculate_weighted_value。这个名称是否准确,暂时不能靠名字本身证明。它只能说明模型从参数和返回值里提取了一组假设。

控制流解释也是类似情况。模型可以很快把:

if ((flags & 4) != 0) {
    result = decrypt_buffer(data);
} else {
    result = copy_buffer(data);
}

整理成“标志位控制数据处理路径”的自然语言。

但这仍然只是语义翻译。

对分析者而言,LLM 最有价值的地方,可能不是直接给出最终答案,而是批量制造值得验证的假设:

  • 哪些函数负责解密、校验或网络通信?
  • 某个参数可能是长度、密钥索引还是状态码?
  • 两条看起来无关的调用链是否服务于同一个协议?
  • 哪些异常分支可能对应反调试或环境检测?

原文讨论的正是这种实际流程:检验 LLM 在代码分析、函数命名和逻辑解释方面能提供多少帮助。

重点不是模型一次猜对。

重点是它能否缩短分析者反复切换工具、阅读代码和整理上下文的路径。

逆向现场最难的是核验

逆向工程里,错误命名会制造一种危险的假进度。

假设分析者把 sub_401230 命名为 decrypt_payload,后续注释、调用图和搜索结果都会围绕这个假设展开。几十行代码之后,这个名字可能已经污染整条分析路径。

LLM 的问题不只可能是逻辑推理错误。

更常见的来源有四个:

  1. 缺少运行时上下文。模型看不到真实参数、内存布局和外部输入。
  2. 混淆代码省略了语义。变量名可能是编译器生成的,控制流也可能经过优化。
  3. 模型会补全不存在的意图。它容易把“看起来像”解释成“确实如此”。
  4. 错误会沿分析链传播。后续函数命名会引用前面的错误结论。

因此,模型给出的解释必须当作待检验假设,而不是注释里的事实。

下面这个 Python 小工具可以用来检查文本中是否混入了尚未验证的判断。它不能验证逆向结论,但能逼分析者把假设显式记录下来:

from pathlib import Path

path = Path("notes.md")
if not path.exists():
    raise SystemExit("notes.md not found")

notes = path.read_text(encoding="utf-8")
markers = ("TODO", "HYPOTHESIS", "UNVERIFIED")

for number, line in enumerate(notes.splitlines(), start=1):
    if any(marker in line for marker in markers):
        print(f"{number}: {line}")

拿一份包含 HYPOTHESIS: this function decrypts the payload 的笔记运行,它会输出:

2: HYPOTHESIS: this function decrypts the payload

真正有用的验证通常还是回到动态执行:

  • 在关键调用处下断点。
  • 观察参数和返回值。
  • 修改输入,比较输出变化。
  • 用 sanitizer、hook 或符号执行检查边界条件。
  • 在不同操作系统和架构上复现行为。

LLM 加速的是“提出下一个问题”。

它没有消除“确认答案是否正确”的工作。

对陌生恶意样本,验证环境本身也有成本。你需要隔离网络、准备虚拟机、保留快照,并避免执行不可信代码。模型可以在几秒内给出十条分析线索,却不能替你在受控环境里安全地跑完十条路径。

别把辅助分析写成自动破壳

这套工作流与全自动恶意代码分析之间,仍有一道很宽的沟。

辅助分析通常由专家设定目标:先看哪个函数,再决定在哪里下断点。LLM 负责阅读、命名和整理假设。

所谓“自动破壳”则要求系统自己完成整个闭环:识别样本、选择工具、生成脚本、操作调试环境、处理异常,再根据结果修正策略。后一个目标涉及的不只是提示词质量。

它至少还依赖:

  • 可重复执行的隔离环境。
  • 可回滚的虚拟机或容器快照。
  • 可靠的程序行为记录。
  • 能被机器检查的中间结论。
  • 对系统调用、文件系统和网络行为的系统观测。

还有一个经常被低估的问题:很多错误只有执行到特定分支才会暴露。模型可以解释代码,但无法仅凭静态文本证明某个隐藏路径永远不会触发。

这并不妨碍把 LLM 用在漏洞研究、国产软件兼容性分析和安全合规工作里。相反,它更适合处理这些任务中常见的脏活:

  • 批量整理符号和调用关系。
  • 为几千个函数生成候选名称。
  • 对可疑逻辑提出不同解释。
  • 编写 Ghidra、IDA 或调试脚本的初稿。
  • 把分散证据整理成可供专家复核的报告。

但报告应保留证据等级。模型猜测、静态推断和动态验证,不能写成同一个结论。

对于漏洞研究,合规边界也很明确。代码分析、双样本例编写、修复建议通常风险较低;如果流程变成生成可投递的 exploit、持久化机制或规避检测能力,就需要单独评估授权范围。

LLM 降低了操作门槛,不会替使用者承担授权责任。

编辑思考

这次讨论真正重要的,不是证明 LLM 会逆向,而是暴露了知识工作的新成本结构:生成答案越来越便宜,证明答案越来越贵。逆向领域尤其如此,一个错误函数名会污染后续所有判断。

我的判断是,LLM 在这里的首要价值不会是替代资深逆向工程师,而是批量生成假设、压缩上下文整理时间。成熟团队会把模型输出当作待验证线索,要求关键结论附上证据来源、验证方法和复现步骤,而不是直接接受一段看起来合理的解释。

它和过去“让 AI 写代码”的讨论不同。代码至少有编译器、测试和 CI 可以裁决;二进制行为往往依赖具体系统状态,静态解释缺少天然裁判。这会限制完全自动化,也会把隔离环境和实验记录变成核心组件。现阶段更可靠的路径是:人负责提出方向,模型扩大搜索面,调试器负责裁决。

来源: https://www.slowchronicle.com/posts/llm-assisted-reverse-engineering