Rethinking Neural Decompilation: Candidate Selection as the Hidden Bottleneck

📄 arXiv: 2611.02788v1 📥 PDF

作者: Felix Mächtle, Gautham Sriram, Manjil Neupane, Nils Loose, Thomas Eisenbarth

分类: cs.CR, cs.AI

发布日期: 2026-11-02

备注: Published at the International Conference on Information and Communications Security (ICICS 2026). Code: https://github.com/UzL-ITS/rethinking-neural-decompilation

期刊: Information and Communications Security (ICICS 2026), LNCS vol. 17216, pp. 759-779, Springer, 2027

DOI: 10.1007/978-981-92-6837-5_38

💡 一句话要点

提出候选选择机制以解决神经反编译中的瓶颈问题

🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)

关键词: 神经反编译 候选选择 模糊化二进制 恶意软件分析 软件安全审计 大型语言模型 生成-选择管道

📋 核心要点

  1. 现有的神经反编译方法在处理模糊化代码时，准确性与最佳样本性能之间存在显著差距。
  2. 论文提出了一种生成-选择管道，通过对每个输入生成100个候选并进行多种选择策略的排名来提高准确性。
  3. 实验结果表明，结合新的ExeBench-Obfuscated数据集，该方法在模糊化二进制的准确率上达到了88.8%的提升。

📝 摘要（中文）

反向工程模糊化二进制代码是恶意软件分析和软件安全审计中的核心任务。基于大型语言模型的神经反编译器在恢复代码的可读性和功能保真度方面优于传统的启发式工具，但在实际应用中仍存在显著的准确性差距。本文通过候选生成和选择的视角研究这一差距，提出了一种生成-选择管道，利用多种选择器对候选进行排名，并在新发布的ExeBench-Obfuscated数据集上进行了评估，显著提高了模糊化二进制的准确率。

🔬 方法详解

问题定义：本文旨在解决神经反编译中候选选择的瓶颈问题，现有方法在处理模糊化输入时的准确性不足，尤其是在单输出情况下。

核心思路：通过引入候选生成和选择机制，论文提出了一种新的生成-选择管道，旨在提高反编译的准确性和实用性。

技术框架：整体架构包括候选生成阶段和候选选择阶段。在生成阶段，使用LLM4Decompile生成多个候选；在选择阶段，利用文本、语法、嵌入、共识和似然性等多种选择器对候选进行排名。

关键创新：最重要的创新在于引入了负困惑度作为静态选择器，并结合执行引导选择，显著提高了模糊化二进制的准确性，挑战了之前对LLM4Decompile在模糊输入上不适用的观点。

关键设计：在实验中，使用了100个候选的排名机制，负困惑度选择器在HumanEval-Decompile上达到了73.3%的pass@1，而执行引导选择在ExeBench上达到了86.3%的pass@1。

📊 实验亮点

实验结果显示，使用生成-选择管道后，模糊化二进制的pass@1率达到了88.8%，相比于之前的研究有显著提升。同时，负困惑度选择器和执行引导选择的结合有效缩小了与理想性能之间的差距。

🎯 应用场景

该研究在恶意软件分析和软件安全审计领域具有重要应用价值。通过提高模糊化二进制的反编译准确性，可以更有效地识别和分析潜在的安全威胁，增强软件的安全性和可靠性。未来，该方法可能扩展到更多复杂的反编译场景中。

📄 摘要（原文）

Reverse engineering obfuscated binaries is a core task in malware analysis and software security auditing. While neural decompilers based on Large Language Models (LLMs) have improved the readability and functional fidelity of recovered code over heuristic tools such as Ghidra and IDA Pro, a substantial gap remains between best-sample performance and practical single-output accuracy, particularly under code obfuscation. We study this gap through the lens of candidate generation and candidate selection. Using the LLM4Decompile architecture, we show that ground-truth tokens lie within the model's top-five next-token predictions in 95.6% of positions on average and that multi-sample decoding reaches a pass@100 of 93% on HumanEval-Decompile, indicating that correct reconstructions are typically already present in the model's sampling space. We then evaluate a generate-then-select pipeline that ranks 100 candidates per input with text-, syntax-, embedding-, consensus-, and likelihood-based selectors. Negative perplexity emerges as the strongest static selector on HumanEval-Decompile (73.3% pass@1), while execution-guided selection nearly closes the oracle gap on ExeBench (86.3% pass@1). Combined with one epoch of fine-tuning on our newly released ExeBench-Obfuscated dataset containing 362,647 obfuscated OLLVM samples, the same pipeline increases the pass@1 rate for obfuscated binaries to 88.8%, directly contradicting prior claims that released LLM4Decompile checkpoints are unsuitable for obfuscated inputs.