# DeepDi：在指令上学习关系图卷积网络模型以实现快速准确的反汇编 > DeepDi 对 x86 与 x64 二进制进行反汇编：先解码候选指令的超集，再以前向、后向与重叠关系将其连接成指令流图，并用关系图卷积网络识别真实指令；随后借助启发式规则和一个小型分类器恢复函数入口。作者在 BAP 语料、Windows 上以 MSVC 构建的 LLVM 11，以及 SPEC CPU2006 与 CPU2017 上报告，其准确率与 IDA Pro、Binary Ninja、Ghidra、Datalog Disassembly 和 XDA 相当或更优，在 Linn–Debray 与 Hikari 混淆二进制上表现稳健，单核 CPU 吞吐量为 146 KB/s（约为 IDA Pro 的两倍），GPU 吞吐量为 24.5 MB/s（约为 IDA Pro 的 350 倍）。 - 作者：Sheng Yu; Yu Qu; Xunchao Hu; Heng Yin - 原标题：DeepDi: Learning a Relational Graph Convolutional Network Model on Instructions for Fast and Accurate Disassembly - 发表载体：USENIX Security 2022 - 发表状态：会议论文 - 出版／提交日期：2022 年 8 月 - 日期依据：采用 USENIX 官方 BibTeX（month = aug）及第 31 届 USENIX Security Symposium（2022 年 8 月 10–12 日）最终版 PDF 封面所载的出版月份，不推定具体出版日。 - 来源复核于：2026-10-27 - 收录于：2026-11-03 - 原始论文： - PDF： - 代码： - BibTeX： - 目录页面： - 记录 JSON： - 英文版：[English](https://awesomerea.org/papers/paper-deepdi/index.md) ## 研究范围与局限 仅覆盖 x86 与 x64 的 ELF 和 PE 二进制。ELF 的真实标签假定代码节中没有数据，并基于线性反汇编与符号表获得；PE 的真实标签来自 PDB 文件，由于 PDB 只提供数据地址而无数据长度，数据长度为估计值。结果是作者 2022 年在自有数据集与硬件上与 Binary Ninja 2.2、IDA Pro 7.2 及 Ghidra 9.1.2 的比较，使用单块 GTX 2080Ti GPU；Datalog Disassembly 仅支持 x64 ELF，因此只覆盖部分评测。混淆测试使用 Linn–Debray 样本和以 Hikari 构建的二进制；作者指出，掌握模型梯度的强攻击者可能构造对抗样本，并将其留作后续工作。恶意软件案例报告训练数据上的十折交叉验证准确率，以及挑战赛在线评测系统返回的对数损失，因为测试标签并未公开。反汇编准确率不等于在所有情况下函数边界正确，也不代表反编译或源码恢复。 ## 与本合集的关联 补充基于学习的反汇编研究；多个相似性与反编译条目将反汇编错误列为效度威胁，该研究与 jTrans 等依赖 IDA Pro 的流程互补。 ## 发表与复核说明 未核实论文 DOI 或 arXiv 标识符；本条目采用 USENIX Security 报告页面与 sec22-yu-sheng.pdf 配对规则。USENIX BibTeX 给出第 31 届 USENIX Security Symposium、页码 2709–2725、出版方 USENIX Association 及八月份；报告页面另链接预发表版 PDF 与摘要 PDF。论文称提供的是二进制发行版。在所审阅的提交 e308252（2026-05-01）中，仓库以预编译的 DeepDiCore.so 提供模型核心，适用 DeepDi Trial Period Software Demonstration License Agreement；license.txt 仅将其余代码（Python 封装、API 说明与 Dockerfile）列为 MIT 许可。GitHub API 报告为 NOASSERTION，所链接的许可证 PDF 在检查时返回 HTTP 404。README 称其为仅限非商业用途的社区版，需要 Docker 及从 Deepbits 免费获取的密钥，并可选用 CUDA GPU。模型与训练流程并未开源。 ## 一手来源 1. 2. 3. 4. 5. ## 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。