Ghidra项目中Rust AArch64二进制文件BSim签名应用问题分析
问题背景
在使用Ghidra进行二进制分析时,BSim(Binary Similarity)功能是一个强大的工具,它可以通过函数签名匹配来识别不同二进制文件中的相似函数。然而,在处理Rust语言编译的AArch64架构二进制文件时,用户遇到了一个特定问题:当尝试应用从无符号剥离的Rust二进制文件生成的BSim签名到另一个剥离符号的Rust二进制文件时,系统会抛出"Apply signature failed (Invalid calling convention name: __rustcall)"的错误。
技术分析
调用约定问题
这个问题的核心在于Rust编译器使用的__rustcall调用约定在Ghidra中未被正确定义。调用约定(Calling Convention)是函数调用时参数传递、寄存器使用和栈管理的规则体系。在x86架构下,Ghidra已经初步支持了Rust编译器规范扩展,但在AArch64等其他架构上,这一支持尚未实现。
问题表现
当用户执行以下操作流程时会出现问题:
- 对无符号剥离的Rust二进制文件(
rust-rayon2-nostrip)进行自动分析 - 生成BSim签名并提交到BSim数据库
- 尝试将这些签名应用到另一个剥离符号的二进制文件(
rust-rayon2-strip) - 系统拒绝应用签名,因为无法识别
__rustcall调用约定
底层原因
深入分析发现,即使在原始程序中,__rustcall约定也只是在DWARF调试信息分析过程中被强制应用到函数上,实际上并未在Ghidra中正确定义。这导致在创建函数定义数据类型(FunctionDefinitionDataType)等操作时,系统会拒绝传播未定义的调用约定,从而产生错误。
解决方案
官方修复
Ghidra开发团队已经确认将推出修复方案,允许在不考虑调用约定的情况下应用签名。这种解决方案虽然绕过了调用约定验证,但保证了签名匹配功能的基本可用性。
临时解决方案
在官方修复发布前,用户可以采取以下临时措施:
- 仅应用函数名称而不应用完整的签名
- 手动修改或忽略调用约定相关的验证步骤
- 考虑为AArch64架构实现类似的Rust编译器规范扩展
技术影响
这个问题反映了Ghidra对新语言特性支持的一个典型挑战。随着Rust在系统编程领域的普及,对Rust特定特性的支持变得越来越重要。特别是在跨架构支持方面,需要更全面的解决方案。
最佳实践建议
对于使用Ghidra分析Rust二进制文件的用户,建议:
- 关注Ghidra的更新,特别是对Rust支持的改进
- 在分析不同架构的Rust二进制时,注意调用约定相关的潜在问题
- 考虑维护自定义的编译器规范扩展以支持特定需求
- 在BSim签名匹配时,可以优先考虑不依赖调用约定的匹配策略
这个问题虽然表现为一个具体的错误消息,但背后涉及二进制分析工具对新语言特性支持的广泛挑战,值得二进制分析领域的开发者持续关注。
GLM-5智谱 AI 正式发布 GLM-5,旨在应对复杂系统工程和长时域智能体任务。Jinja00
GLM-5-w4a8GLM-5-w4a8基于混合专家架构,专为复杂系统工程与长周期智能体任务设计。支持单/多节点部署,适配Atlas 800T A3,采用w4a8量化技术,结合vLLM推理优化,高效平衡性能与精度,助力智能应用开发Jinja00
请把这个活动推给顶尖程序员😎本次活动专为懂行的顶尖程序员量身打造,聚焦AtomGit首发开源模型的实际应用与深度测评,拒绝大众化浅层体验,邀请具备扎实技术功底、开源经验或模型测评能力的顶尖开发者,深度参与模型体验、性能测评,通过发布技术帖子、提交测评报告、上传实践项目成果等形式,挖掘模型核心价值,共建AtomGit开源模型生态,彰显顶尖程序员的技术洞察力与实践能力。00
Kimi-K2.5Kimi K2.5 是一款开源的原生多模态智能体模型,它在 Kimi-K2-Base 的基础上,通过对约 15 万亿混合视觉和文本 tokens 进行持续预训练构建而成。该模型将视觉与语言理解、高级智能体能力、即时模式与思考模式,以及对话式与智能体范式无缝融合。Python00
MiniMax-M2.5MiniMax-M2.5开源模型,经数十万复杂环境强化训练,在代码生成、工具调用、办公自动化等经济价值任务中表现卓越。SWE-Bench Verified得分80.2%,Multi-SWE-Bench达51.3%,BrowseComp获76.3%。推理速度比M2.1快37%,与Claude Opus 4.6相当,每小时仅需0.3-1美元,成本仅为同类模型1/10-1/20,为智能应用开发提供高效经济选择。【此简介由AI生成】Python00
Qwen3.5Qwen3.5 昇腾 vLLM 部署教程。Qwen3.5 是 Qwen 系列最新的旗舰多模态模型,采用 MoE(混合专家)架构,在保持强大模型能力的同时显著降低了推理成本。00- RRing-2.5-1TRing-2.5-1T:全球首个基于混合线性注意力架构的开源万亿参数思考模型。Python00