一种基于中间语言的源码二进制匹配方法

本发明是一种基于中间语言的源码二进制匹配方法，检测对象是函数源码和与其对应的二进制函数。其核心是对源码使用预训练模型codebert分词并得到源码端的向量表示；使用Retdec反编译二进制程序并从中提取的大量IR语料对Bert模型进行预训练，设置三个任务：掩码语言模型、下一句预测、相邻块预测进行学习；对二进制程序使用Retdec工具转为LLVM IR，提取CFG，进行规范化，CFG中每个基本块的语句经过预训练之后的Bert模型转化为向量作为节点特征，通过GCN得到该函数的二进制端的向量表示；两端的向量通过triplet loss进行训练，并通过余弦函数计算得出两端的相似性。本方法能够实现跨架构和跨优化级别下的源码二进制匹配，为真实的源码与二进制相似性检测提供新的解决方案。