企业官网建设流程全解析

把二进制变回 C 代码：LLM4Decompile 大模型反编译快速上手指南

【免费下载链接】LLM4DecompileReverse Engineering: Decompiling Binary Code with Large Language Models项目地址: https://gitcode.com/GitHub_Trending/ll/LLM4Decompile

老系统丢了源码，或者手里只有第三方库的编译产物，需要搞清里面的代码到底在干什么？LLM4Decompile 用大语言模型做二进制反编译，把 Linux x86_64 二进制还原成可读的 C 代码，适合逆向工程师、安全研究人员和遗留系统维护者。模型权重、训练数据与评测脚本全部开源。

🎯 为什么值得试 LLM4Decompile

它是专用反编译模型，不是通用聊天机器人。通用大模型很少见过二进制，让它反编译基本只能靠猜。LLM4Decompile 有专门的二进制-源码配对训练集：decompile-bench 数据集从 1 亿条采集到的函数对中浓缩出 200 万条高质量配对，另留 7 万条做评测，指标是"再执行率"——反编译出的代码必须真的能通过测试用例，而不是看起来像。

两条路线可选，效果差一档。V1.5 系列（End）直接把汇编翻译成 C；V2 系列（Ref）让模型润色 Ghidra 先写好的伪代码草稿，效果更好。

🚀 三步跑起来 LLM4Decompile

装环境：克隆仓库并安装依赖。README 建议 Python 3.9，官方做法是先用 conda 建好隔离环境再安装：

git clone https://gitcode.com/GitHub_Trending/ll/LLM4Decompile cd LLM4Decompile pip install -r requirements.txt

做预处理：用 GCC 把你的 C 代码编译成二进制，再用 objdump 反汇编成汇编，截取目标函数。最终输入形如<函数名>:加若干指令行，外面套上两行固定提示"# This is the assembly code:"和"# What is the source code?"。主 README 给出了完整的预处理与推理代码，只需替换函数名和文件路径。

跑推理或跑 demo：模型需要 CUDA GPU，以 bfloat16 精度加载。嫌环境麻烦可以用仓库自带的 Docker 镜像，里面预装好 Ghidra 和 OpenJDK 17，构建后用docker run --gpus all进入容器，直接执行ghidra/demo.py，就能看到"Ghidra 伪代码 → 模型润色"的完整效果。

🔬 二进制反编译是怎么实现的

先明确一点：LLM 只懂文本，没法直接处理 0/1 流。所以项目先用 objdump 把二进制反汇编成汇编——二进制与汇编可互转、信息等价——再把"汇编进、C 代码出"当成纯粹的文本翻译任务。

训练过程正好是编译的逆过程：源码经过预处理、编译、汇编、链接变成二进制，再反汇编回汇编，模型从这些"汇编 → 源码"配对上学习把"译文"翻回"原文"，损失直接对原始源码计算。可以这样类比：编译器是位把中文译成英文的译者，反编译模型则是从海量译文对照里学会把英文翻回中文。

V2 的 Ref 路线走了条近路：Ghidra 先把二进制拆成伪代码，逻辑大体对，但变量全是 local_28，语法也别扭，模型的任务就是给这份半成品"润色"成能编译的 C。两条路线的推理代码写法相同，只是输入不同——主 README 的预处理脚本走 objdump，ghidra/目录的demo.py调 Ghidra Headless。

📁 项目里哪些目录值得看

• ghidra/：Ref 路线的入口，demo.py一个脚本走完"编译 → Ghidra 反编译 → 模型润色"全流程，是看效果最快的地方。
• decompile-bench/：训练与评测数据，外加再执行率、编辑相似度两个指标脚本，拿来对自己的输出打分很方便。
• sk2decompile/：2025 年新增的两阶段框架实现，把"恢复函数结构"和"给变量起名"拆成两个模型，含数据预处理、训练配置与强化学习奖励函数。

⚠️ 二进制反编译的避坑指南

• 只支持 Linux x86_64。优化级别覆盖 GCC 的 O0 到 O3，其他架构和平台的产物没有验证过，README 也说明更多架构还在逐步支持中。
• V1.5 与 V2 输入不通用。前者要 objdump 汇编，后者要 Ghidra 伪代码；评测数据文件也分decompile-eval-executable-gcc-obj.json和-gcc-ghidra.json两份，配错文件结果没法解释。
• 留意 token 长度。模型最大序列 4096，调generate时max_new_tokens要留在这个范围以内，过长的函数建议先拆分。

🔭 看完项目还能做什么

如果只有一张 A100 40G，可以从 decompile-ghidra-100k 子集开始复现：官方脚本约 3.5 小时训完，GPU 花费不到 20 美元，就能得到一个可用的 Ref 模型，是理解整套训练管线成本最低的入口。

【免费下载链接】LLM4DecompileReverse Engineering: Decompiling Binary Code with Large Language Models项目地址: https://gitcode.com/GitHub_Trending/ll/LLM4Decompile