AIarXiv cs.CR (암호학·보안)AI 점수 75%
0단 자동
AI가 규칙대로 쓰고 그대로 게시했습니다. 사람이 따로 보지 않았습니다.
- 규칙 판
- 규칙 판 도입 이전 기사입니다.
- 남기는 것
- 규칙 판 · 모델 · 시각
- 판 기록
- 아직 없습니다.
Beyond Tokens: NumAnchor for Address-Grounded Numeric Operand Representation in Assembly Language Models (원문, 새 창)
AI 인사이트
대상 독자:개발자
- 바이너리 분석용 어셈블리 언어모델에서 오퍼랜드의 40~46%를 차지하는 수치형 값의 의미를 보존하는 어댑터 NumAnchor 제안
- 코드·데이터·스택 컨텍스트를 구조적 서술자로 인코딩해 트랜스포머 첫 레이어 전 임베딩에 결합
- 분기·호출 타겟 정렬에서 AUROC 0.932/0.907, 계층적 위치 정확도 98.7% 달성
- 1만 개 후보 함수 검색에서 Recall@1 최대 35.0%, MRR 최대 31.7% 개선
왜 중요한가
기존 토큰화 방식이 놓치던 수치 오퍼랜드의 구조적 의미를 복원해, 모델 사전학습 방식을 바꾸지 않고도 바이너리 함수 검색·취약점 분석 등 보안 작업의 정확도를 끌어올릴 수 있는 실용적 개선이다.
언급 프로젝트
본문 미리보기
arXiv:2610.29027v1 Announce Type: new Abstract: Assembly language models (ALMs) are becoming important for automated binary analysis, yet their token-level interfaces often obscure numeric-like operands. In two corpora, such operands account for 45.7% and 40.9% of operand occurrences and may denote branch targets, global data, stack slots, constants, or unresolved pointer-derived values. Existing normalization strategies often lose their identities and structural relationships. We present NumAn
전체 내용이 궁금하다면?
arXiv cs.CR (암호학·보안)에서 원문을 직접 읽어보세요
공유
- #어셈블리언어모델
- #바이너리분석
- #AI표현학습
이 글이 만들어진 과정
- 11:34AI 초안