앵커 기반 검색과 LLM 추론을 활용한 바이너리 함수로부터의 실용적인 소스 코드 복원
Practical Source Code Recovery from Binary Functions Using Anchor-Based Retrieval and LLM Reasoning
우리는 역공학(reverse engineering), 앵커 기반 소스 코드 검색, 대규모 언어 모델(LLM) 추론을 결합하여 스트립된 바이너리 함수에서 소스 코드를 복원하는 실용적인 파이프라인을 제시한다. 우리의 바이너리-소스 코드 검색 방법은 근사적인 디컴파일 의사코드를 생성하는 대신, 소스 코드 데이터베이스에서 소스 함수를 식별하는 것을 목표로 한다. 이 방법은 Ghidra를 사용하여 문자열, 상수, 외부 호출, 사용 가능한 함수명 등의 앵커를 추출하고, 역색인(inverted-index) 검색 데이터베이스를 통해 후보 파일을 검색하며, 후보를 가능성 있는 함수 스니펫으로 좁힌 뒤, 역어셈블리, 디컴파일 코드, 소스 메타데이터를 기반으로 LLM을 통해 재순위화한다. 신뢰도 높은 매칭 결과는 이후 패스에서 앵커로도 활용될 수 있다. 스트립되고 최적화된 tcpdump 바이너리에 대해 고충실도 소스 코드 데이터베이스를 기반으로 수행한 평가에서, 제안한 바이너리-소스 매칭 방법은 어셈블리 명령어 커버리지 95.2%를 달성한다. GitHub 기반 검색 데이터베이스를 활용한 실험에서는 주로 검색 누락(retrieval misses)으로 인해 평균 35.5%의 명령어 커버리지를 보이며 낮은 성능을 나타냈다. 이러한 결과는 소스 수준의 바이너리 복원이 고품질 데이터베이스 환경에서 탁월한 성능을 발휘하며, 노이즈가 많은 환경에서도 유용한 도구로 활용될 수 있음을 보여준다.