resym 的项目扩展与二次开发

项目的基础介绍

resym 项目是一个旨在利用大型语言模型（LLM）和程序分析技术，从剥离调试信息的二进制文件中恢复变量和数据结构符号的开源项目。该项目由 Danning Xie、Zhuo Zhang、Nan Jiang、Xiangzhe Xu、Lin Tan 和 Xiangyu Zhang 等人共同开发，并在 ACM SIGSAC Conference on Computer and Communications Security 2024 上获得杰出论文奖。

项目的核心功能

项目的核心功能是通过训练和推理两个大型语言模型（VarDecoder 和 FieldDecoder）来恢复二进制文件中的局部变量和用户定义的数据结构符号。它不仅能够恢复变量的类型，还能够恢复变量的名称，这在逆向工程和网络安全等领域具有重要作用。

项目使用了哪些框架或库？

该项目主要使用了以下框架或库：

• Python：作为主要编程语言，用于实现数据处理、模型训练和推理等。
• LLM（Large Language Models）：使用大型语言模型进行变量和类型的预测。
• Prolog：用于实现一种新型的聚合和交叉校验算法，以克服当前 LLM 的 token 限制问题。
• CMake、Makefile：用于构建项目，管理编译过程。

项目的代码目录及介绍

项目的代码目录结构如下：

• process_data/：包含数据预处理脚本，用于生成带有真实符号信息的训练数据。
• sample_data/：提供了一些样本数据，用于演示和测试。
• training_src/：包含了模型训练和推理的脚本，以及评估脚本。
• clang-parser/：可能是用于处理 C++ 代码的解析器相关文件。
• posterior_reasoning/：包含了后验推理的结果，用于恢复用户定义的数据结构。
• LICENSE：项目的许可证文件，采用了 BSD-3-Clause 许可。
• README.md：项目的说明文件，详细介绍了项目背景、使用方法和数据资源。

对项目进行扩展或者二次开发的方向

1. 模型优化：可以对现有的 VarDecoder 和 FieldDecoder 模型进行进一步的优化，提高它们的预测准确率和效率。

2. 数据增强：收集更多不同类型和来源的二进制文件，扩充训练数据集，以提高模型的泛化能力。

3. 算法改进：对 Prolog 算法进行改进，提高聚合和交叉校验的效率，减少不确定性。

4. 多语言支持：扩展项目以支持更多编程语言，使其不仅仅局限于处理 C/C++ 代码。

5. 用户界面：开发一个用户友好的图形界面，方便用户上传二进制文件并查看恢复的符号信息。

6. 社区合作：开源项目可以吸引更多研究者参与，通过社区的力量不断完善和扩展项目功能。

通过这些扩展和二次开发的方向，resym 项目将能够更好地服务于逆向工程、网络安全以及软件维护等领域。