KEENHash：将程序哈希为函数感知嵌入以进行大规模二进制代码相似性分析
密码学与安全
2025-06-16 v1 软件工程
摘要
二进制代码相似性分析（BCSA）是网络安全等诸多领域的关键研究领域。具体而言，函数级差异工具是 BCSA 中最广泛使用的方法：它们逐一进行函数匹配以评估二进制程序之间的相似性。然而，此类方法需要高时间复杂度，使其在大规模场景中（例如 1/n 到 n 搜索）不可扩展。为了实现有效高效的大规模程序级 BCSA，我们提出了 KEENHash，一种利用大型语言模型（LLM）生成的函数嵌入将二进制文件哈希为程序级表示的新型哈希方法。KEENHash 利用 K-Means 和特征哈希将二进制文件压缩为一个紧凑且固定长度的程序嵌入，使我们能够进行有效高效的大规模程序级 BCSA，超越先前最先进的方法。实验结果表明，KEENHash 的速度至少是最先进的函数匹配工具的 215 倍，同时保持了有效性。此外，在包含 53 亿次相似性评估的大规模场景中，KEENHash 仅需 395.83 秒，而这些工具至少需要 56 天。我们还在大规模 BCSA 的程序克隆搜索方面评估了 KEENHash，覆盖了 202,305 个二进制文件的广泛数据集。与 4 种最先进的方法相比，KEENHash 在所有方法上至少提升了 23.16%，并且在大规模 BCSA 安全场景（恶意软件检测）中表现出显著优势。
引用
@article{arxiv.2506.11612,
title = {KEENHash: Hashing Programs into Function-Aware Embeddings for Large-Scale Binary Code Similarity Analysis},
author = {Zhijie Liu and Qiyi Tang and Sen Nie and Shi Wu and Liang Feng Zhang and Yutian Tang},
journal= {arXiv preprint arXiv:2506.11612},
year = {2025}
}