Los autores presentan un pipeline para recuperar código fuente de funciones binarias despojadas (stripped) combinando ingeniería inversa, recuperación basada en anclas y razonamiento de modelos de lenguaje grandes.

  • El método identifica la función fuente desde una base de datos en lugar de generar pseudocódigo descompilado.
  • Las anclas como cadenas, constantes, llamadas externas y nombres de funciones se extraen usando Ghidra.
  • Los candidatos se recuperan mediante búsqueda en un índice invertido y se reordenan por un LLM basándose en el desensamblaje y metadatos.
  • En un binario tcpdump stripped con una base de datos de alta fidelidad, el método logra un 95.2% de cobertura de instrucciones de ensamblador.
  • Los experimentos en una base de datos basada en GitHub mostraron un rendimiento inferior con un 35.5% de cobertura promedio de instrucciones debido a fallos en la recuperación.

Los resultados indican que la recuperación de binarios a nivel de fuente es efectiva cuando está respaldada por bases de datos de alta calidad.