license: mit
tags:

• 反编译
• 二进制
  widget:
• text: "# 这是汇编代码：\n:\nendbr64\nlea (%rdi,%rsi,1),%eax\nretq\n# 对应的源代码是什么？\n"

1. LLM4Decompile 简介

LLM4Decompile 致力于将 x86 汇编指令反编译为 C 代码。最新发布的 V1.5 系列模型采用更大规模的数据集（150 亿 tokens）和 4096 的最大 token 长度进行训练，相较于前代模型性能显著提升（最高达 100%）。

• GitHub 仓库: LLM4Decompile

2. 评估结果

3. 使用方法

以下是使用本模型的示例（适用于 V1.5 版本）。
注意：请将 func0 替换为需要反编译的函数名。

预处理步骤: 将 C 代码编译为二进制文件，并反汇编为汇编指令。

import subprocess  
import os  

OPT = ["O0", "O1", "O2", "O3"]  
fileName = 'samples/sample' #'文件路径'  
for opt_state in OPT:  
    output_file = fileName +'_' + opt_state  
    input_file = fileName+'.c'  
    compile_command = f'gcc -o {output_file}.o {input_file} -{opt_state} -lm' #在Linux系统用GCC编译  
    subprocess.run(compile_command, shell=True, check=True)  
    compile_command = f'objdump -d {output_file}.o > {output_file}.s' #将二进制文件反汇编为汇编指令  
    subprocess.run(compile_command, shell=True, check=True)  

    input_asm = ''  
    with open(output_file+'.s') as f: #读取汇编文件  
        asm= f.read()  
        if '<'+'func0'+'>:' not in asm: #重要：将func0替换为函数名  
            raise ValueError("编译失败")  
        asm = '<'+'func0'+'>:' + asm.split('<'+'func0'+'>:')[-1].split('\n\n')[0] #重要：替换func0  
        asm_clean = ""  
        asm_sp = asm.split("\n")  
        for tmp in asm_sp:  
            if len(tmp.split("\t"))<3 and '00' in tmp:  
                continue  
            idx = min(  
                len(tmp.split("\t")) - 1, 2  
            )  
            tmp_asm = "\t".join(tmp.split("\t")[idx:])  # 移除二进制码  
            tmp_asm = tmp_asm.split("#")[0].strip()  # 移除注释  
            asm_clean += tmp_asm + "\n"  
    input_asm = asm_clean.strip()  
    before = f"# 这是汇编代码：\n" #提示前缀  
    after = "\n# 对应的源代码是什么？\n" #提示后缀  
    input_asm_prompt = before+input_asm.strip()+after  
    with open(fileName +'_' + opt_state +'.asm','w',encoding='utf-8') as f:  
        f.write(input_asm_prompt)  

反编译步骤: 使用 LLM4Decompile 将汇编指令翻译为 C 代码：

from transformers import AutoTokenizer, AutoModelForCausalLM  
import torch  

model_path = 'LLM4Binary/llm4decompile-1.3b-v1.5' # V1.5 模型  
tokenizer = AutoTokenizer.from_pretrained(model_path)  
model = AutoModelForCausalLM.from_pretrained(model_path,torch_dtype=torch.bfloat16).cuda()  

with open(fileName +'_' + OPT[0] +'.asm','r') as f: #优化级别O0  
    asm_func = f.read()  
inputs = tokenizer(asm_func, return_tensors="pt").to(model.device)  
with torch.no_grad():  
    outputs = model.generate(**inputs, max_new_tokens=4000)  
c_func_decompile = tokenizer.decode(outputs[0][len(inputs[0]):-1])  

with open(fileName +'.c','r') as f: #原始文件  
    func = f.read()  

print(f'原始函数:\n{func}') #注意：仅反编译单个函数，原始文件可能包含多个函数  
print(f'反编译结果:\n{c_func_decompile}')  

4. 许可证

本代码仓库采用 MIT 许可证。

5. 联系

如有疑问，请提交 issue。