基于图嵌入神经网络的无监督特征提取用于二进制相似性分析

本文考虑二进制相似性问题，即仅根据编译形式判断两个二进制函数是否相似。该问题在若干应用场景中至关重要，如版权争议、恶意软件分析、漏洞检测等。当前该领域最先进的解决方案通过构建嵌入模型，将二进制函数映射为$\mathbb{R}^{n}$中的向量。此类嵌入模型捕捉二进制之间的语法与语义相似性，即相似的二进制函数被映射到向量空间中相近的点。该策略具有诸多优势，其中之一是可预计算若干二进制函数的嵌入，随后通过简单几何运算（如点积）进行比较。在[32]中，函数首先被转化为由人工设计特征构成的带标注控制流图（ACFGs），随后使用深度神经网络架构将图嵌入为向量。本文提出并测试了多种计算带标注控制流图的方法，其采用无监督方式进行特征学习，从而避免人为偏差。我们的方法受自然语言处理领域技术启发（例如使用word2vec编码汇编指令）。我们表明该方法确实成功，且性能优于先前最先进的解决方案。此外，我们给出了函数嵌入的定性分析。我们发现了一些有趣案例，其中嵌入根据原始二进制函数的语义进行了聚类。