Exploring the Efficacy of Large Language Models (GPT-4) in Binary Reverse Engineering

这项研究探讨了大型语言模型（LLMs）特别是GPT-4在二进制逆向工程（RE）中的能力。采用结构化的实验方法，我们分析了LLM在解释和解释人类编写的和反编译的代码方面的表现。该研究分为两个阶段：第一阶段是基本代码解释，第二阶段是更复杂的恶意软件分析。关键发现表明LLMs在一般代码理解方面表现出色，但在详细技术和安全分析方面的有效性不同。该研究强调了LLMs在逆向工程中的潜力和当前的限制，为未来的应用和改进提供了关键见解。此外，我们还研究了我们的实验方法，例如评估方法和数据限制，这为未来的研究活动提供了技术视野。

这篇论文旨在研究大型语言模型（LLMs），特别是GPT-4，在二进制反向工程（RE）中的能力。研究分为两个阶段，第一阶段是基本代码解释，第二阶段是更复杂的恶意软件分析。

论文使用结构化实验方法分析了LLMs在解释和解码代码方面的表现。研究结果显示LLMs在一般代码理解方面具有熟练的能力，但在详细技术和安全分析方面的效果不一。

论文强调了LLMs在反向工程中的潜力和当前的限制，并提供了未来应用和改进的关键见解。此外，论文还介绍了实验方法和数据约束等方面的细节，为未来的研究提供了技术视野。

最近的相关研究包括“使用深度学习进行反向工程”和“基于神经网络的二进制代码反混淆”。