理解 AI 驱动的二进制代码相似性检测
软件工程
2024-10-11 v1
摘要
AI 驱动的二进制代码相似性检测（BinSD）通过神经网络将复杂的二进制代码比较转化为代码嵌入的距离度量，已在程序分析中广泛应用。然而，由于所采用的嵌入策略、评估方法、运行环境和/或基准测试的多样性，难以定量了解BinSD问题在多大程度上已被解决，尤其是在实际应用中。此外，对日益复杂的嵌入神经网络和各种评估方法缺乏深入调查，成为阻碍AI驱动BinSD发展的关键因素。为填补这些研究空白，本文对最新AI驱动BinSD方法进行系统评估，通过对相似函数检测以及两个下游应用（即漏洞搜索和许可违规检测）上的BinSD系统进行全面比较。基于这一评估，我们对嵌入神经网络和评估方法进行首次调查。实验结果得出了若干发现，为BinSD领域提供了宝贵的见解，包括：（1）尽管基于图神经网络的BinSD系统在相似函数检测中取得最佳性能，但仍存在显著的改进空间；（2）AI驱动BinSD方法在应用于不同下游应用时，其能力表现出显著差异；（3）现有的评估方法仍需要 substantial 调整。例如，所采用的评估指标（如广泛采用的ROC和AUC）通常不足以准确代表模型在实际场景中的性能。基于大量实验和分析，我们进一步提供了若干有前景的未来研究方向。
关键词
引用
@article{arxiv.2410.07537,
title = {Understanding the AI-powered Binary Code Similarity Detection},
author = {Lirong Fu and Peiyu Liu and Wenlong Meng and Kangjie Lu and Shize Zhou and Xuhong Zhang and Wenzhi Chen and Shouling Ji},
journal= {arXiv preprint arXiv:2410.07537},
year = {2024}
}