博客背景、发布Kuna的动机和思考，这是一款为自主优化设计的新型以代理为中心的反编译器。今天，我发布了Kuna，一个我在暑期期间开发的实验性反编译器，此时我在空军研究实验室（AFRL）担任访问教授研究员，并且在Metalware担任研究员。然而，当我说我一直在开发时，我需要澄清的是，这个项目中的几乎每一行代码都是由一个大型语言模型（LLM）编写的。不过，按现在的情况来看，这款反编译器在C程序的控制流结构化方面，可以与行业标准IDA Pro（9.2）相抗衡：在最近的基准测试结果中，Kuna在44.4%的函数上实现了完美的结构化，而IDA的结果为45.7%。这在很大程度上是通过自主优化实现的：LLM研究了那些在基本指标上表现不如IDA Pro的示例，这些指标仅在过去几年内才出现。通过这种策略，它可以有效地学习另一个反编译器如何通过反复试验解决困难问题。IDA Pro并不是在这个改进过程中唯一研究的反编译器。这个大规模的优化实验还涉及了Ghidra和angr反编译器；我整个博士期间都是后者的核心开发者。这个学习方法使LLM能够在Kuna中重新实现angr的20多个基本功能，而这些功能是我们通过反编译的科学进步设计出来的。我强调这一切是为了澄清这个项目不仅仅是粗制滥造：它是一种真正的实验性方法，旨在开发一种科学上有趣的工具，使其自动变得更好。Kuna和Hex-Rays的代码片段显示了流行的angr开关特性。尽管如此，我也想承认这种方法的局限性，以及这项工作可能对研究社区产生的影响。首先，Kuna的实现要归功于数十年来科学家和工程师在反编译研究方面的努力。事实上，Kuna是对NSA的Ghidra的Rust移植，经过重新设计以更接近angr的流程。这也是我不打算很快离开angr反编译器的原因。angr反编译器仍然是我开发前沿算法时首选的工具，因为它就是为此而设计的。另一方面，Kuna则是一个实验，旨在仅通过高水平的科学反馈来看能做些什么。此时，在Kuna中手动编写任何内容都会难得多。Kuna需要angr（以及其他开源研究），我希望在未来，angr也能需要Kuna（如果实验成功的话）。其次，Kuna需要科学洞察才能开始“自动”优化，这也解释了为什么迄今为止没有其他反编译器实现这一点（据我所知）。达到这一点需要发现新的基本指标，研究与人类逆向工程价值相一致的东西，并经过多年的积累洞察来理解一个有意义的基准所需的数据。要点是：这也不是自动化研究；它需要由人类主导的研究。最后，还有很多进展需要在这个反编译器中取得。我们在结构化方面做得不错，但反编译不仅仅是结构化！我们需要改进类型、优化、可重编译性、变量识别……你懂的。毕竟，这还是一个实验，看看在我们使用的框架下实现所有这些是否可能。我（我们）非常希望得到你的帮助。如果你对Kuna的内部工作、项目的目标或自动改进的工作原理感兴趣，请查看代码或等待更技术性的后续帖子。与往常一样，我想感谢那些帮助我完善想法并推动研究的人。我的博士导师Fish和Yan是我研究最大的灵感来源。我也感激Metalware、AFRL和国防部的见解，这些都帮助我的研究产生影响。下次实验的检查点见！