Daily Arxiv

전 세계에서 발간되는 인공지능 관련 논문을 정리하는 페이지 입니다.
본 페이지는 Google Gemini를 활용해 요약 정리하며, 비영리로 운영 됩니다.
논문에 대한 저작권은 저자 및 해당 기관에 있으며, 공유 시 출처만 명기하면 됩니다.

Can Neural Decompilation Assist Vulnerability Prediction on Binary Code?

Created by
  • Haebom

저자

D. Cotroneo, F. C. Grasso, R. Natella, V. Orbinato

개요

본 논문은 소스 코드 없이 바이너리 코드에서 취약점을 예측하는 새로운 방법을 제시합니다. 기존의 취약점 예측은 소스 코드를 필요로 하는 제약이 있었지만, 본 연구는 신경망 기반 디컴파일을 통해 바이너리 파일을 소스 코드로 변환하고, 이를 딥러닝 모델에 적용하여 취약점을 예측합니다. 실험 결과, 이 방법은 기존 최고 성능의 신경망 디컴파일 및 취약점 예측 모델을 능가하며, 이진 분류(취약/비취약) 및 다중 분류(취약점 유형) 분석 모두에서 우수한 성능을 보입니다.

시사점, 한계점

•
시사점:
◦
소스 코드 없이 바이너리 코드에서 취약점을 효과적으로 예측하는 새로운 방법 제시.
◦
신경망 기반 디컴파일과 딥러닝을 결합하여 기존 방법의 성능을 뛰어넘는 결과 달성.
◦
바이너리 코드 분석 분야의 발전에 기여.
◦
이진 및 다중 분류에서 모두 높은 정확도를 달성.
•
한계점:
◦
신경망 디컴파일의 정확도에 따라 예측 성능이 영향을 받을 수 있음.
◦
특정 유형의 바이너리 코드나 취약점에 대해서는 성능이 저하될 가능성 존재.
◦
디컴파일 과정의 계산 비용이 클 수 있음.
◦
사용된 데이터셋의 일반화 가능성에 대한 추가적인 검증 필요.
👍
Made with Slashpage