Nimbus：通过输入缩放与多任务学习加速函数签名恢复
密码学与安全
2022-11-09 v1
摘要
函数签名恢复对控制流完整性实施、克隆检测和漏洞查找等许多二进制分析任务十分重要。现有工作试图以基于学习的方法替代基于规则的方法以减少人力。它们为提升系统性能付出了可观努力，但也带来了资源消耗更高的副作用。然而，恢复函数签名更多是为后续任务提供信息，效率与性能均十分关键。本文中，我们首次提出一种称为 Nimbus 的高效函数签名恢复方法，可在不损失性能的前提下最大程度降低全过程资源消耗。得益于信息偏置与任务关联（即参数个数与参数类型恢复间的关系），我们利用选择性输入并引入多任务学习（MTL）结构进行函数签名恢复，以降低计算资源消耗，并充分利用互信息。实验结果表明，仅以最先进方法约八分之一的处理时间，我们在所有函数签名恢复任务上甚至取得了约 1% 更高的预测准确率。
引用
@article{arxiv.2211.04219,
title = {Nimbus: Toward Speed Up Function Signature Recovery via Input Resizing and Multi-Task Learning},
author = {Yi Qian and Ligeng Chen and Yuyang Wang and Bing Mao},
journal= {arXiv preprint arXiv:2211.04219},
year = {2022}
}