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。
ERNIE-4.5-VL-28B-A3B-ThinkingERNIE-4.5-VL-28B-A3B-Thinking 是 ERNIE-4.5-VL-28B-A3B 架构的重大升级,通过中期大规模视觉-语言推理数据训练,显著提升了模型的表征能力和模态对齐,实现了多模态推理能力的突破性飞跃Python00
Kimi-K2-ThinkingKimi K2 Thinking 是最新、性能最强的开源思维模型。从 Kimi K2 开始,我们将其打造为能够逐步推理并动态调用工具的思维智能体。通过显著提升多步推理深度,并在 200–300 次连续调用中保持稳定的工具使用能力,它在 Humanity's Last Exam (HLE)、BrowseComp 等基准测试中树立了新的技术标杆。同时,K2 Thinking 是原生 INT4 量化模型,具备 256k 上下文窗口,实现了推理延迟和 GPU 内存占用的无损降低。Python00
MiniMax-M2MiniMax-M2是MiniMaxAI开源的高效MoE模型,2300亿总参数中仅激活100亿,却在编码和智能体任务上表现卓越。它支持多文件编辑、终端操作和复杂工具链调用Python00
HunyuanVideo-1.5暂无简介00
MiniCPM-V-4_5MiniCPM-V 4.5 是 MiniCPM-V 系列中最新且功能最强的模型。该模型基于 Qwen3-8B 和 SigLIP2-400M 构建,总参数量为 80 亿。与之前的 MiniCPM-V 和 MiniCPM-o 模型相比,它在性能上有显著提升,并引入了新的实用功能Python00
Spark-Formalizer-X1-7BSpark-Formalizer 是由科大讯飞团队开发的专用大型语言模型,专注于数学自动形式化任务。该模型擅长将自然语言数学问题转化为精确的 Lean4 形式化语句,在形式化语句生成方面达到了业界领先水平。Python00
GOT-OCR-2.0-hf阶跃星辰StepFun推出的GOT-OCR-2.0-hf是一款强大的多语言OCR开源模型,支持从普通文档到复杂场景的文字识别。它能精准处理表格、图表、数学公式、几何图形甚至乐谱等特殊内容,输出结果可通过第三方工具渲染成多种格式。模型支持1024×1024高分辨率输入,具备多页批量处理、动态分块识别和交互式区域选择等创新功能,用户可通过坐标或颜色指定识别区域。基于Apache 2.0协议开源,提供Hugging Face演示和完整代码,适用于学术研究到工业应用的广泛场景,为OCR领域带来突破性解决方案。00