二进制函数相似性

解决方案：

• InfoNCE loss + In-batch negatives
• Byte + DPCNN
• ASM + DPCNN
• Integer + Textcnn
• ACFG + GIN
• Adjacency matrix + resnet

特征：函数语义信息 + 控制流图

语义特征提取，分别提取函数的字节数据、汇编指令数据、整数数据，分别使用独立的编码器（DPCNN、TextCNN）进行文本表示编码，获取其Embedding表示。

结构特征提取，基于CFG和每个Block内的汇编指令，生成ACFG，使用图神经网络对ACFG进行编码，获取Embedding表示；此外，考虑到相似函数的控制流图的节点顺序也相似，将CFG的邻接矩阵作为输入，使用CNN获取其Embedding表示。

对比学习模型结构：InfoNCE loss + In-batch negatives

Order Matters: Semantic-Aware Neural Networks for Binary Code Similarity Detection

Investigating Graph Embedding Methods for Cross-Platform Binary Code Similarity Detection

SimCSE: Simple Contrastive Learning of Sentence Embeddings

使用说明

实验环境

基础环境

python 3.7+

pytorch 1.12.1 cuda 11.3

pyg (避免安装出错，参考官方文档 https://pytorch-geometric.readthedocs.io/en/latest/notes/installation.html)

如 torch-1.12.0+cu113

pip install torch-scatter torch-sparse torch-cluster torch-spline-conv torch-geometric -f https://data.pyg.org/whl/torch-1.12.0+cu113.html

性能

显存消耗 22G