Kuna：编程智能体时代的反编译器开发

# Kuna：编码代理时代的反编译器开发 来源：https://noelo.org/blog/kuna-release/ 博客（https://noelo.org/blog/） 关于 Kuna（一款为自主优化而设计的新型代理优先反编译器）发布的背景、动机与思考。 今天，我正式发布 **Kuna**（https://kuna.noelo.org/），这是一款实验性反编译器，我在暑期作为访问教职研究员在 **空军研究实验室 (AFRL)**（https://www.afrl.af.mil/）以及作为研究员在 **Metalware**（https://www.metalware.com/）期间持续开发。然而，当我说“*我一直在开发*”时，需要澄清的是，该项目中几乎每一行代码都是由 LLM 编写的。 尽管如此，在 **控制流结构化**（https://decompilation.wiki/fundamentals/structuring/overview/）方面（针对 C 程序），这款反编译器现已能与行业标杆 IDA Pro (9.2) 相匹敌：在最近的 **基准测试结果**（https://decbench.com/）中，Kuna 对 44.4% 的函数实现了完美的结构化，而 IDA 则为 45.7%。这一成果主要通过自主优化实现：LLM 会在其基础指标上表现不如 IDA Pro 的案例中进行学习，而这些指标直到 **最近几年才出现**（https://decompilation.wiki/fundamentals/evaluation/）。通过这种策略，它能通过试错有效“*学习*”其他反编译器如何解决难题。 IDA Pro 并非这一改进过程中唯一被研究的反编译器。这项大规模优化实验还涉及了 Ghidra 和 angr 反编译器；我的整个博士阶段都是 **后者的核心开发者**（https://mahaloz.re/dec-history-pt2#sailr-compiler-aware-structuring）。这种学习方法让 LLM 能够在 Kuna 中重新实现来自 angr 的 **20 多项核心功能**（https://github.com/Noelo-Lab/kuna/tree/main/docs/features），而这些功能我们当年通过 **科学进步**（https://www.usenix.org/system/files/usenixsecurity24-basque.pdf）耗费多年才设计出来。我强调这一切是为了说明，这个项目绝非“*粗制滥造*”：它是一次真正的实验性尝试，旨在开发一款能自动提升性能且具有科学价值的工具。 #### Kuna 与 Hex-Rays 的代码片段对比，展示 angr 的一项常用 switch 特性 Kuna 与 Hex-Rays 反编译代码的对比 --- 话虽如此，我也想承认这种方法的局限性，以及这项工作可能对研究社区产生的影响。 首先，Kuna 的实现完全依赖于科学家和工程师 **数十年的努力**（https://mahaloz.re/dec-history-pt1）推动反编译器研究进展。事实上，Kuna 是 **NSA 的 Ghidra**（https://github.com/nationalsecurityagency/ghidra）的 Rust 移植版，并经过重构以更贴近 angr 的流水线设计。这也是我短期内不打算离开 angr 反编译器的原因。angr 反编译器仍然是我开发反编译前沿算法的首选平台，因为它本来就是为此设计的。 而 Kuna 则是一项“*实验*”，旨在探索仅凭高层级科学反馈能实现什么。在现阶段，手动为 Kuna 编写任何代码都变得异常困难。Kuna 需要 angr（以及其他开源研究），而我希望，经过更多时间后，angr 也会需要 Kuna（如果实验成功的话）。 其次，Kuna 甚至需要科学洞察才能开始“自动”优化，这或许解释了为什么目前没有其他反编译器做到这一点（据我所知）。要达到这一步，需要发现新的 **基础指标**（https://www.usenix.org/system/files/usenixsecurity24-basque.pdf），研究哪些指标与 **人类的逆向价值**（https://www.ndss-symposium.org/wp-content/uploads/2026-f380-paper.pdf）相符，并经过多年积累理解 **有意义的基准测试需要哪些数据**（https://decbench.com/about/#the-dataset）。简而言之：这也不是“*自动化研究*”；它需要由人类主导的研究。 最后，这款反编译器仍有巨大的进步空间。我们在结构化方面表现不错，但反编译远不止结构化！我们需要改进类型推断、优化、可重编译性、变量识别……你懂的。毕竟，这是一项实验，旨在验证在我们用于开发 Kuna 的框架内，是否有可能实现所有这些目标。而我和（我们）非常需要你的帮助。 --- 如果你对 Kuna 的内部机制、项目目标或自动改进的工作方式感兴趣，请查看 **代码**（https://github.com/noelo-Lab/kuna），或等待后续更技术的文章。一如既往，我要感谢那些帮助我完善想法并推动研究前进的人。我的博士导师 **Fish**（https://ruoyuwang.me/）和 **Yan**（https://yancomm.net/）是我研究灵感的最大来源。同时，也感谢 Metalware、AFRL 和国防部提供的洞见，它们让我的研究更具影响力。 让我们在实验的下一个检查点再会！