XDA下載 - XDA原始碼下載

XDA

其他源碼

1.0.0

下載

介紹

XDA 是一個反組譯指令並恢復剝離二進位的函數邊界的工具。它基於使用帶有掩碼語言建模目標的 Transformer 編碼器的遷移學習 [1,2,3]。它的性能優於最先進的工具（例如 IDA Pro、Ghidra 和雙向 RNN [4]）。請在我們的論文中找到詳細資訊：XDA：透過遷移學習進行準確、穩健的反彙編

 @inproceedings{pei2021xda,
    title={XDA: Accurate, Robust Disassembly with Transfer Learning},
    author={Pei, Kexin and Guan, Jonas and King, David Williams and Yang, Junfeng and Jana, Suman},
    year={2021},
    booktitle={Proceedings of the 2021 Network and Distributed System Security Symposium (NDSS)}
}

安裝

我們建議使用conda設定環境並安裝所需的軟體包。

首先，創建conda環境，

conda create -n xda python=3.7 numpy scipy scikit-learn colorama

並啟動 conda 環境：

conda activate xda

然後，安裝最新的 Pytorch（假設你有 GPU）：

conda install pytorch torchvision torchaudio cudatoolkit=11.0 -c pytorch

最後，進入xda根目錄：例如path/to/xda ，並安裝XDA：

pip install --editable .

準備

預訓練模型：

在path/to/xda中建立checkpoints和checkpoints/pretrain_all子目錄

mkdir -p checkpoints/pretrain_all

下載我們預先訓練的權重參數並放入checkpoints/pretrain_all

2022-1-19：上傳了由 GCC 和 Clang 編譯的 Linux x64 二進位檔案的新專用預訓練權重

微調模型：

我們也提供了微調模型供您直接進行函數邊界復原。微調模型在 MSVC x64 編譯的二進位檔案上進行訓練。在path/to/xda中建立checkpoints/finetune_msvs_funcbound_64子目錄

mkdir -p checkpoints/finetune_msvs_funcbound_64

下載我們微調的權重參數並放入checkpoints/finetune_msvs_funcbound_64 。

2024-11-04：上傳了用於 elf 指令邊界預測的新的微調權重參數（未經測試，可能不準確）。

使用微調後的模型

我們將 MSVC x64 編譯的 BAP 語料庫中的一些範例資料放入data-raw/msvs_funcbound_64_bap_test 。資料檔中有兩列。第一列是二進位檔案的所有原始位元組，第二列是標籤，指示它是函數開始 (F)、函數結束 (R) 或兩者都不是。

若要預測這些檔案中的函數邊界，請執行：

python scripts/play/play_func_bound.py

該腳本將載入您放入checkpoints/finetune_msvs_funcbound_64中的微調權重並預測函數邊界。它還將與真實情況和 IDA 的結果進行比較。

具有函數邊界的樣本數據

我們在data-src/中提供了預先訓練和微調的範例訓練/測試文件

data-src/pretrain_all包含來自剝離二進位檔案的樣本原始位元組以進行預訓練
data-src/funcbound包含帶有函數邊界的範例原始位元組

我們已經在大量二進位檔案上提供了預訓練模型。但如果你想對自己收集的資料進行預訓練，你可以準備類似於data-src/pretrain_all中格式的範例文件（連接所有二進位檔案中的所有字節，並用換行符n分隔以確保每一行不超過模型接受的最大長度）。同樣，如果您想自己準備微調數據，請確保遵循data-src/funcbound中顯示的格式。

我們必須對資料進行二值化以使其準備好接受訓練。若要將訓練資料二值化以進行預訓練，請執行：

./scripts/pretrain/preprocess-pretrain-all.sh

準備好預先訓練的二值化訓練資料將儲存在data-bin/pretrain_all

若要將訓練資料二值化以進行微調，請執行：

./scripts/finetune/preprocess.sh

準備好進行微調（針對函數邊界）的二值化訓練資料將儲存在data-bin/funcbound