.png){kind=icon}
返回
Identifying obfuscated code through graph-based semantic analysis of binary code
.png){kind=icon}
OA
AI
DOI：10.1007/s41109-025-00733-8.png)
.png){kind=icon}
.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
保护敏感程序内容是各种情境下的一个关键问题，这些情境从合法用例到不道德场景不等。混淆是确保此类保护的最常用技术之一。因此，攻击者必须首先检测和表征混淆，然后才能对其发起任何攻击。本文研究了基于图的方法在函数级混淆检测中的应用，比较了从经典基线到高级技术（如图神经网络（GNN））的不同算法及其特征选择。我们考虑了多种混淆类型和混淆工具，生成了两个复杂的数据集。我们的发现表明，GNN需要能够捕捉函数语义方面的有意义的特征才能超越基线。我们的方法取得了令人满意的结果，尤其是在一个具有挑战性的11类分类任务和两个实际的二进制分析示例中。这突显了混淆与二进制代码中的优化是如何交织在一起的，并且更好地理解这两种原则对于获得更好的检测结果至关重要。
Keyword:
Obfuscation
Classification
GNN
Graphs
Graph representation learning
Security
Optimization
AI总结
对已上传原文的论文进行重点信息的提取，主要内容包括：简要概述、研究摘要、背景介绍、关键亮点、图文解析、展望与总结。
期刊
A
IF:
1.5
论文数:
62
被引数:
1.3K
机构
引用论文
Defeating Opaque Predicates Statically through Machine Learning and Binary Analysis通过机器学习和二进制分析静态破解不透明谓词OAAI
OAAI分享收藏QSynth - A Program Synthesis based approach for Binary Code DeobfuscationQSynth - 一种基于程序合成的二进制代码去混淆方法
OAAI
OAAI分享收藏Fusion: measuring binary function similarity with code-specific embedding and order-sensitive gnn融合：使用代码特定嵌入和顺序敏感图神经网络测量二进制函数相似性.png)
IF0
PREAI
分享收藏
查看更多内容