SoK: AI 증강 바이너리 리버싱
SoK: AI-Augmented Binary Reversing
바이너리 리버싱은 소프트웨어 이해, 취약점 발견, 악성코드 조사, 펌웨어 감사에 필수적입니다. 그러나 컴파일 과정에서 의미 정보가 되돌릴 수 없는 손실(loss)이 발생하기 때문에 본질적으로 어려운 작업으로 남아 있습니다. 최근 기계학습, 대규모 언어 모델(LLM), 에이전트형 AI 시스템의 발전은 AI 증강 바이너리 리버싱의 도입을 가속화했습니다. 하지만 그 결과로 나온 연구들은 리버싱 도메인, 아티팩트 표현, 학습 접근 방식, 평가 관행에 걸쳐 점점 더 파편화되었습니다. 이 논문은 AI 증강 바이너리 리버싱에 대한 최초의 포괄적인 지식 체계화를 제시합니다. 우리는 2015년 이후 발표된 144편의 연구 논문을 분석하고, 이를 추론(inference) 작업에 따라 22개의 바이너리 리버싱 도메인으로 분류했습니다. 또한, 기존 및 AI 증강 리버싱 파이프라인을 아우르는 통합된 분류 체계(taxonomy)를 소개합니다. 우리의 분류 체계는 전통적인 분석 기법, 바이너리 파생 아티팩트, 표현 전략, 학습 패러다임, 그리고 다운스트림 추론 작업을 연결하며, LLM과 에이전트형 AI 시스템의 부상하는 역할을 명확히 합니다. 공통된 어휘와 구조화된 프레임워크를 수립함으로써, 우리는 지난 10년간 이 분야의 진화에 대한 전체적인 관점을 제공합니다. 우리의 연구는 겉보기에 이질적인 접근 방식들에 내재된 공통 구조를 밝혀내고, 지속적인 기술적 과제와 평가의 공백을 강조하며, 미래 연구를 위한 유망한 기회를 식별합니다. 이러한 통찰력을 종합하면 현재 분야의 현황을 명확히 하고, 신뢰할 수 있고 확장 가능한 차세대 AI 증강 바이너리 리버싱 시스템을 위한 기반을 마련할 수 있습니다.