license: mit tags:

• 反编译
• 二进制

1. LLM4Decompile 简介

LLM4Decompile 旨在将 x86 汇编指令反编译为 C 代码。最新发布的 V1.5 系列模型使用了更大的数据集（150 亿 tokens）和最大 4096 tokens 的上下文长度，相比前代模型性能显著提升（最高可达 100%）。

• GitHub 仓库: LLM4Decompile

2. 评估结果

3. 使用方法

以下是如何使用我们的模型（V1.5 版本）的示例。
注意：替换 func0 为你想要反编译的函数名。

预处理: 将 C 代码编译为二进制文件，并将二进制文件反汇编为汇编指令。

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 上使用 GCC 编译代码
    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：将 func0 替换为函数名
        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:])  # 移除二进制代码
            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" # 提示词
    after = "\n# 对应的源代码是什么？\n" # 提示词
    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: 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-6.7b-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: # 优化等级 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：我们仅反编译单个函数，原始文件可能包含多个函数
print(f'反编译函数:\n{c_func_decompile}')

4. 许可证

本代码仓库采用 MIT 许可证。

5. 联系方式

如有任何问题，请提交 issue。