博客

二进制分析 Agent,要先学会交证据

72 项二进制分析任务,BinReX 做成了 83.3%,同样用 GPT-5、接上 IDA 的 Codex 是 43.1%。差别在两件事:先查相似函数,再让每一步结论都有证据。

拿到一个去掉了符号的二进制文件,分析员要回答的问题五花八门:这个驱动有没有能被利用的漏洞,这个 sshd 里有没有后门,这段代码是不是在做加密,密钥是不是写死在里面。现有的工具大多只管其中一种,问题一换,就得换工具,或者自己写 IDAPython 脚本。

让大模型 Agent 来做,看上去正合适。它能读反汇编,能写脚本,什么问题都能接。可我们实际试下来,它卡在两个地方。

两道坎

第一道是找不到地方。去了符号的二进制里有成千上万个叫 sub_XXXX 的函数,Agent 不知道哪个在校验密码、哪个在处理网络请求,只能一个个翻,上下文很快就用光了。

第二道是没法核对。模型的回答是概率性的,二进制分析要的却是能复查的证据:哪个地址,哪段控制流,哪个常量。我们看到 Codex 能把报告的字段填上九成,但其中证据真正站得住的只有 43%。

BinReX 怎么做

BinReX 不让模型硬猜每个函数是干什么的,而是先查。我们从 10,134 个开源项目里整理出 5,700 万个函数,训练了两个编码器,一个学函数的功能描述,一个学函数名。分析时在这些函数里找和目标相似的,相似度够高,就把对应的描述当成提示交给 Agent:这个 sub_40F20 很可能在校验密码。

有了提示,规划 Agent 把用户的问题拆成几个小任务。每个小任务先写成一种受约束的中间表示,再由规则编译成 IDAPython 脚本,放进 IDA Pro 里跑。脚本的输出就是证据:地址、常量、调用关系。最后由一个验证 Agent 检查这些证据撑不撑得住结论,撑不住就交给修复 Agent,改脚本再跑。

论文里有个例子,很能说明最后这一步的用处。分析一个带后门的 sshd 时,检索把 sub_40F20 标成了密码校验函数。第一版脚本只检查了比较指令的左边,什么都没找到。如果到这里就停,Agent 会报告「没有后门」。验证 Agent 发现提示和结果对不上,修复 Agent 补上对右边的检查,在 0x40F58 找到了写死的密码。

结果

83.3%任务成功率,接入 IDA 的 Codex 是 43.1%

36.1 小时72 项任务总耗时,接入 IDA 的 Codex 是 87.9 小时

0395 个真实样本复核后的误报

我们搭了一个 72 项任务的测试集 BinREval,覆盖 7 类场景:利用有漏洞的合法驱动(BYOVD)、后门、勒索软件、CTF 逆向、定位加密函数、字符串混淆和提取硬编码密钥。评分不给部分分,结论对了但证据对不上,也算失败。

三个 Agent 都用 GPT-5。只有命令行工具的 Codex 成功率是 27.8%,接上 IDA 的 Codex 是 43.1%,BinReX 是 83.3%。把检索、规划、证据提取、修复任何一块拿掉,成功率都会掉到 57% 到 61% 之间。

在合作的安全厂商那里,BinReX 找出了 295 个利用驱动漏洞的恶意样本和 100 个 sshd 后门变种。三位资深逆向工程师逐个复核了这 395 个结果,没有发现误报。分析一个 BYOVD 驱动,人工大约要 15.5 小时,BinReX 用了 5.5 分钟。

还做不到的

BinReX 依赖 IDA Pro 的反编译质量。加了壳(比如 UPX)或者用了虚拟机保护的程序,需要先脱壳;竞态、侧信道这类只有动态执行才看得到的问题,它也管不了。控制流平坦化会让字符串混淆类任务的成功率从 77.8% 降到 66.7%。

我们越来越觉得,一个 Agent 能不能用,很大程度上看它给出的结论能不能被人复查。BinReX 是我们在这件事上走的第一步。

论文 · USENIX Security 2026Towards Generality: Task-Adaptive Binary Analysis via Semantic Retrieval and Verifiable Reasoning

BLOG

更多文章

下一步

让 AI 懂代码怎么跑。

联系我们