コンテンツにスキップ
1337skills 1337skills - チートシート

AIによる現代のリバースエンジニアリング：LLMがバイナリ解析を変革する方法

· 13 min read · default
reverse-engineeringaicybersecuritymalware-analysistoolssecurity

リバースエンジニアリングは常にサイバーセキュリティで最も知的に要求の厳しい分野の1つでした。アナリストはアセンブリ命令を何時間も眺め、データ構造を頭の中で再構成し、ストリップされたバイナリの実行パスをトレースします。認知的負荷は膨大で、熟練したリバースエンジニアの需要は供給をはるかに上回っています。

まさにこのギャップが大規模言語モデルが活躍している場所です。過去2年間で、AI支援リバースエンジニアリングは好奇心の対象から正当な戦力倍増器へと進化しました。数分で数千の関数をリネームするGhidraプラグイン、自然言語でシェルコードを説明するBinary Ninja統合、メモリ破損パターンについて推論する自動化された脆弱性スキャナーがすべて今日提供されています。これは投機的技術ではありません。現役のアナリストが頼りにしているプロダクションツールです。

このガイドでは、AI拡張リバースエンジニアリングの現状、重要なツール、分析パイプラインに統合するための実践的なワークフロー、信頼する前に理解すべき制限事項を扱います。

AIとリバースエンジニアリングの交差点

リバースエンジニアリングは基本的にパターン認識と翻訳の問題です。マシンコードを取り、ますます抽象的な表現に引き上げ、最終的に開発者の元の意図を再構成します。LLMはまさにこの種の構造化された翻訳に優れています。

現在のツーリングを推進する重要な洞察は、デコンパイルされたC疑似コードが、汎用LLMが効果的に推論できるほど自然言語に十分近いということです。GhidraやIDA Proがデコンパイラ出力を生成すると、その出力は構文的に有効なCです。数十億行のソースコードで訓練されたLLMは、関数の目的を推測し、意味のある変数名を提案し、一般的なライブラリパターンを識別し、疑わしい構造をフラグ付けできます。

3つのAI支援カテゴリが登場しました：

  1. セマンティックエンリッチメント — デコンパイルされたコードの動作分析に基づく関数、変数、型のリネーム
  2. 説明と要約 — コードブロックが何をするかの自然言語による説明の生成
  3. 脆弱性検出 — バッファオーバーフロー、Use-After-Free、フォーマット文字列バグ、その他の悪用可能な条件に関連するパターンの識別

各カテゴリには異なる信頼性プロファイルがあります。セマンティックエンリッチメントは、よく知られたライブラリコードに対して驚くほど正確です。説明の品質はモデルの能力によって異なります。脆弱性検出は最も信頼性が低いままですが、最も活発に研究されています。

AI支援デコンパイル：Ghidraプラグイン

Ghidraのオープンアーキテクチャとpython/Javaスクリプティングサポートにより、AIリバースエンジニアリング実験の主要プラットフォームとなりました。いくつかのプラグインが日常的なツールに成熟しています。

GhidrAssist

GhidrAssistはGhidraをLLM API（OpenAI、Anthropic、またはOllama経由のローカルモデル）に直接接続し、現在選択されている関数のコンテキスト分析を提供します。デコンパイルされた出力をクロスリファレンスと文字列データと共にモデルに送信し、構造化された分析を返します。

インストールは簡単です：

git clone https://github.com/unkmc/GhidrAssist.git
cp -r GhidrAssist $GHIDRA_INSTALL_DIR/Extensions/Ghidra/

APIキーを設定すると、任意の関数を右クリックして「Explain Function」または「Suggest Names」を選択できます。プラグインは呼び出し規約、インポートされたシンボル、クロスリファレンスに関するコンテキストと共にデコンパイルされたCを送信します。

GhidrAssistを特に効果的にしているのは、コンテキストウィンドウ管理です。バイナリ全体のデコンパイルをプロンプトに投入するのではなく、ターゲット関数、直接の呼び出し元と呼び出し先、関連する文字列参照を含む焦点を絞ったクエリを構築します。

GEPETTO

GEPETTO（GPT Explanation of ProcEdures To Transform Operations）は最初のプロダクション品質のGhidra AIプラグインの1つでした。関数の説明とリネームに特化しています：

import ghidra_bridge
b = ghidra_bridge.GhidraBridge()

current_function = b.currentProgram.getFunctionManager().getFunctionContaining(b.currentAddress)
decomp = b.DecompInterface()
decomp.openProgram(b.currentProgram)
results = decomp.decompileFunction(current_function, 60, None)
c_code = results.getDecompiledFunction().getC()

prompt = f"""Analyze this decompiled C function. Suggest:
1. A descriptive function name
2. Parameter names and likely types
3. A one-paragraph explanation of its purpose

```c
{c_code}
```"""

GEPETTOはバッチ処理に優れています。バイナリの関数リスト全体で実行して、FUN_00401000ラベルの海をdecrypt_config_bufferやparse_c2_responseのような意味のある名前に変換する最初のリネームパスを得ることができます。一般的なパターン（ファイルI/O、ネットワーク操作、暗号ルーチン）の精度は通常80%を超えます。

VulChatGPT

VulChatGPTは脆弱性識別に特化したGEPETTOコンセプトを拡張します。一般的な脆弱性パターンについてデコンパイルされた関数を分析し、構造化されたレポートを生成します。

ここでの価値は、LLMが熟練したアナリストが見逃す脆弱性を検出することではありません。むしろ、トリアージを加速します。2,000個の関数を持つバイナリを分析する際、最も疑わしい50個の関数にフラグを立てる自動化された最初のパスは、数日分の手動レビューを節約します。

Binary NinjaのSidekickとAI分析

Binary Ninjaは AI支援に対してより統合されたアプローチを取りました。サードパーティプラグインに依存するのではなく、Vector 35がAI機能をプラットフォームに直接組み込みました。

Sidekickは、Binary Ninja内でコンテキストを認識するインタラクティブなチャットインターフェースを提供します。どの関数を表示しているか、現在の選択が何か、どの分析がすでに実行されたかを把握しています。

from binaryninja import BinaryViewType

bv = BinaryViewType.get_view_of_file("/path/to/binary")
for func in bv.functions:
    if func.name.startswith("sub_"):
        analysis = bv.query_sidekick(f"Analyze function at {hex(func.start)} and suggest a name")
        if analysis.confidence > 0.8:
            func.name = analysis.suggested_name

Binary Ninjaの型伝播エンジンはAIコンテキストに直接フィードされるため、モデルは生のデコンパイルされたコードだけでなく、復元された型、構造体、列挙値も見ることができます。

IDA Pro AI統合

商用リバースエンジニアリングにおけるIDA Proの支配的な地位は、相当なAI統合の取り組みを引き付けています。

BinaryAI

BinaryAIは、既知のオープンソースコードのデータベースに対して関数をマッチングするためにエンベディングベースの類似性検索を使用します。LLMに関数が何をするか推測するよう求める代わりに、関数の制御フローグラフとデータフローパターンのベクトルエンベディングを計算し、インデックスされたコーパスで類似の関数を検索します。

import binaryai as bai
import idautils, idc

client = bai.Client(token="your_api_token")
func_addr = idc.get_screen_ea()
func_bytes = idc.get_bytes(func_addr, idc.get_func_attr(func_addr, idc.FUNCATTR_END) - func_addr)
results = client.search_function(func_bytes)
for match in results[:5]:
    print(f"Match: {match.name} from {match.source} (confidence: {match.score:.2f})")

このアプローチはLLMベースの分析を補完します。BinaryAIは静的リンクされたライブラリ関数（zlib、OpenSSL、SQLite）の識別に優れ、LLMはカスタムアプリケーションロジックの理解に優れています。

自動関数命名と型復元

関数命名は、AIがリバースエンジニアリングで最も即座で具体的な価値を提供する場所です。ワークフローはシンプルですが強力です：

  1. 関数を疑似コードにデコンパイル
  2. 疑似コードとコンテキスト（文字列、インポート、クロスリファレンス）をLLMに送信
  3. 提案された名前とパラメータ型について応答を解析
  4. 提案を適用し、コールグラフを通じて型を伝播

伝播ステップは重要です。FUN_00405a20が実際にはaes_cbc_encryptであることを正しく識別すると、そのパラメータ（キーバッファ、IV、平文、長さ）の型情報がすべての呼び出し元に伝播し、バイナリ全体の可読性が劇的に向上します。

バイナリにおけるLLM搭載脆弱性検出

コンパイルされたコードの脆弱性検出は、従来パターンマッチング（Flawfinder、RATS）または重量級の形式手法（シンボリック実行、抽象解釈）に依存してきました。LLMは中間的な立場を提供します：構文的パターンマッチングと形式検証の間のレベルでコードセマンティクスについて推論できます。

主要な制限は偽陽性率です。LLMは潜在的な問題を過度にフラグ付けする傾向があり、特にコードの別の場所でのバウンドチェックにより実際には安全なポインタ算術の周りでそうです。LLMの脆弱性レポートは常に手動調査のための手がかりとして扱い、確認された発見としては扱わないでください。

Capstone、Unicorn、Keystoneツールキット

AIが登場する前に、Capstone/Unicorn/Keystoneスイートはプログラム的バイナリ分析の基盤を確立しました。これらのツールは依然として不可欠なビルディングブロックであり、LLM支援ワークフローとうまく組み合わされます。

Capstoneは複数のアーキテクチャをサポートする逆アセンブリフレームワークです。Unicornは動的分析のためのCPUエミュレーションを提供します。Keystoneはアセンブリを処理し、サイクルを完成させます。

これらのツールをLLMと組み合わせる力は、自動化された分析パイプラインの構築にあります。

PyGhidra：PythonファーストのリバースエンジニアリングPipeline

PyGhidra（旧pyhidra）は、GUIを起動せずにGhidraの分析エンジンをPythonライブラリとして実行できます。これは自動化されたパイプラインの構築において変革的です：

import pyghidra

with pyghidra.open_program("/path/to/malware.bin") as flat_api:
    program = flat_api.getCurrentProgram()
    func_manager = program.getFunctionManager()
    results = {}
    for func in func_manager.getFunctions(True):
        decomp = flat_api.DecompInterface()
        decomp.openProgram(program)
        decomp_result = decomp.decompileFunction(func, 120, None)
        if decomp_result.depiledFunction():
            c_code = decomp_result.getDecompiledFunction().getC()
            analysis = analyze_with_llm(c_code)
            results[func.getName()] = analysis
    generate_analysis_report(results, "/path/to/report.json")

PyGhidraはCI/CDスタイルのバイナリ分析を可能にします。新しいマルウェアサンプルを自動的に処理し、AI強化分析レポートを生成し、人間のレビューのために優先度の高いアイテムにフラグを立てるパイプラインを設定できます。

倫理的考慮事項と制限

AI支援リバースエンジニアリングは、実践者が対処すべき重要な問題を提起します。

精度と過信。 LLMはもっともらしく聞こえるが完全に間違っている可能性のある分析を生成します。モデルにとってAES-128暗号化のように見える関数が、実際にはたまたま似た構造を持つカスタムXOR暗号かもしれません。検証なしにAI分析を信頼しないでください。仮説生成器として扱い、オラクルとしては扱わないでください。

知的財産。 AIを使用してプロプライエタリソフトウェアをリバースエンジニアリングすることは、管轄区域によって異なる法的問題を提起します。

モデルデータ漏洩。 デコンパイルされたコードをクラウドLLM APIに送信すると、そのコードはログに記録されたり、トレーニングに使用されたり、召喚状の対象になる可能性があります。機密性の高いターゲットにはローカルモデルのみを使用してください。

敵対的堅牢性。 マルウェア作者はすでにAI分析を混乱させる技術を探求しています。軍拡競争を予想してください。

スキルの退化。 AI分析への過度の依存は、基本的なリバースエンジニアリングスキルを侵食する可能性があります。AIを学習の代替としてではなく、加速器として使用してください。

未来：自律型バイナリ分析エージェント

次のフロンティアは、マルチステップのバイナリ分析を自律的に実行できるエージェンティックシステムです。個々の関数について個々の質問に答えるのではなく、これらのシステムはバイナリをナビゲートし、仮説を立てて検証し、包括的な分析レポートを作成します。

初期のプロトタイプはすでに存在しています。制限要因はモデルの能力ではなく、ツール統合の信頼性です。来年以内に、商用プラットフォームがエージェントベースの分析をコア機能として提供することを期待してください。AI機能と基盤となるリバースエンジニアリングの基本を両方理解するアナリストが、これらのツールを最も効果的に使用する人々になるでしょう。技術は専門知識を増幅します。それを置き換えるものではありません。

今日から始める

リバースエンジニアリングワークフローにAIを今すぐ統合したい場合、ここから始めてください：

  1. GhidrAssistをインストールし、お好みのLLMプロバイダーで設定してください。すでに手動で分析したバイナリで使用して、出力への信頼を校正してください。

  2. 機密性の高い作業にはOllamaでローカルモデルをセットアップしてください。Q4_K_M量子化のLlama 3 70Bは、48GB RAMマシンで良好な分析品質を提供します。

  3. 関数をバッチ処理してJSONレポートを生成するPyGhidraスクリプトを構築してください。

  4. 検証習慣を確立してください。受け入れるすべてのAI提案について、実際のコードと照合して30秒を費やしてください。

  5. メトリクスを追跡してください。受け入れたAI提案と却下した提案の数、そして受け入れた提案がより深い分析で間違いだと判明する頻度を測定してください。

ツールはここにあります。モデルは有用であるのに十分な能力があります。それらを規律あるワークフローに思慮深く統合するアナリストは、AIを完全に無視するか盲目的に信頼する人々に対して大きな優位性を持つでしょう。