论文页面 - Decompile-Bench：用于真实世界二进制反编译的百万级二进制-源码函数对

来源：https://huggingface.co/papers/2505.12668 发布于 2025 年 5 月 19 日

摘要

Decompile-Bench 是一个大规模开源数据集，通过提供两百万个二进制-源码函数对和一个评估基准，提高了 LLM 反编译的准确性。近期，基于 LLM 的反编译器（https://huggingface.co/papers?q=LLM-based%20decompilers）已被证明能有效地将底层二进制文件转换为人类可读的源代码。然而，目前仍缺乏一个提供大规模二进制-源码函数对的综合基准，而这对于推进 LLM 反编译技术至关重要。创建准确的二进制-源码映射会引发严重问题，原因在于复杂的编译设置（https://huggingface.co/papers?q=compilation%20settings）和普遍存在的函数内联（https://huggingface.co/papers?q=function%20inlining）会模糊二进制文件与其原始源代码之间的对应关系。以往的工作要么依赖于所使用的竞赛式基准，要么依赖于与现实世界映射差异显著的合成二进制-源码映射，要么仅通过代码行或变量名部分匹配二进制文件，这些都削弱了分析二进制功能的有效性。为缓解这些问题，我们引入了 Decompile-Bench（https://huggingface.co/papers?q=Decompile-Bench），这是首个开源数据集，包含从 1 亿个收集的函数对中提炼出的两百万个二进制-源码函数对（https://huggingface.co/papers?q=binary-source%20function%20pairs），即 450GB 的二进制文件，这些文件编译自已采用宽松许可证的 GitHub 项目。出于评估目的，我们还开发了一个基准 Decompile-Bench-Eval（https://huggingface.co/papers?q=Decompile-Bench-Eval），其中包含来自成熟基准 HumanEval（https://huggingface.co/papers?q=HumanEval）和 MBPP（https://huggingface.co/papers?q=MBPP）的手工构造二进制文件，以及 2025 年之后发布的编译 GitHub 仓库，以缓解数据泄漏问题。我们进一步探索了常用的评估指标，以对所研究的 LLM 反编译器进行全面评估，并发现使用 Decompile-Bench（https://huggingface.co/papers?q=Decompile-Bench）进行微调，在可重新执行率（https://huggingface.co/papers?q=re-executability%20rate）方面比之前的基准提高了 20%。我们的代码和数据已发布在 HuggingFace 和 Github 上。https://github.com/albertan017/LLM4Decompile

查看 arXiv 页面 (https://arxiv.org/abs/2505.12668) 查看 PDF (https://arxiv.org/pdf/2505.12668) GitHub 6.89k (https://github.com/albertan017/LLM4Decompile) 添加到收藏 (https://huggingface.co/login?next=%2Fpapers%2F2505.12668)

在你的 Agent 中获取此论文：

hf papers read 2505\.12668

还没有最新的 CLI？curl \-LsSf https://hf\.co/cli/install\.sh \| bash

引用本论文的模型 0

尚无模型链接本论文。

在模型 README.md 中引用 arxiv.org/abs/2505.12668，即可从此页面链接该模型。

引用本论文的数据集 0

尚无数据集链接本论文。

在数据集 README.md 中引用 arxiv.org/abs/2505.12668，即可从此页面链接该数据集。

引用本论文的 Spaces 0

尚无 Space 链接本论文。

在 Space README.md 中引用 arxiv.org/abs/2505.12668，即可从此页面链接该 Space。

包含本论文的收藏集 0

尚无收藏集包含本论文。

将此论文添加到收藏集（https://huggingface.co/new-collection）即可从此页面链接它。