# Asteria-Pro：融合领域知识提升基于深度学习的二进制代码相似性检测

> Asteria-Pro 在基于 Tree-LSTM 的二进制代码相似性检测中加入领域知识预筛选和重排序，并评估其在不同物联网硬件架构的固件漏洞搜索中的表现。

- 作者：Shouguo Yang; Chaopeng Dong; Yang Xiao; Yiran Cheng; Zhiqiang Shi; Zhi Li; Limin Sun
- 原标题：Asteria-Pro: Enhancing Deep-Learning Based Binary Code Similarity Detection by Incorporating Domain Knowledge
- 发表载体：arXiv
- 发表状态：预印本
- 出版／提交日期：2023 年 1 月 2 日
- 日期依据：arXiv 首次提交日期。
- arXiv 首次提交：2023 年 1 月 2 日
- arXiv：2301.00511
- 已复核的 arXiv 版本：v2
- 来源复核于：2026-11-06
- 收录于：2026-11-06
- 原始论文：<https://arxiv.org/abs/2301.00511>
- PDF：<https://arxiv.org/pdf/2301.00511>
- BibTeX：<https://awesomerea.org/papers/citations/paper-asteria-pro.bib>
- 目录页面：<https://awesomerea.org/zh/papers/paper-asteria-pro/>
- 记录 JSON：<https://awesomerea.org/papers/paper-asteria-pro/record.json>
- 英文版：[English](https://awesomerea.org/papers/paper-asteria-pro/index.md)

## 研究范围与局限

评估涵盖固件漏洞搜索：预筛选将计算时间缩短 96.9%；重排序使 MRR 提升 23.71%、Recall 提升 36.4%。大规模搜索以 91.65% 的精确率发现了 1,482 个存在漏洞的函数。

## 与本合集的关联

论文研究二进制函数相似性检测及其在固件漏洞代码搜索中的应用。

## 发表与复核说明

日期和发表场所来自 arXiv 记录。

## 一手来源

1. <https://arxiv.org/abs/2301.00511>

## 关于此条目

已依据论文及一手来源复核。请通过原始论文或 BibTeX 引用原作者。
原创说明采用 MIT 许可；外部项目、论文与素材保留各自的权利和许可。