OBA2: An Onion approach to Binary code Authorship Attribution
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
A critical aspect of malware forensics is authorship analysis. The successful outcome of \nsuch analysis is usually determined by the reverse engineer’s skills and by the volume and \ncomplexity of the code under analysis. To assist reverse engineers in such a tedious and \nerror-prone task, it is desirable to develop reliable and automated tools for supporting the \npractice of malware authorship attribution. In a recent work, machine learning was used to \nrank and select syntax-based features such as n-grams and flow graphs. The experimental \nresults showed that the top ranked features were unique for each author, which was \nregarded as an evidence that those features capture the author’s programming styles. In \nthis paper, however, we show that the uniqueness of features does not necessarily \ncorrespond to authorship. Specifically, our analysis demonstrates that many “unique” \nfeatures selected using this method are clearly unrelated to the authors’ programming \nstyles, for example, unique IDs or random but unique function names generated by the \ncompiler; furthermore, the overall accuracy is generally unsatisfactory. Motivated by this \ndiscovery, we propose a layered Onion Approach for Binary Authorship Attribution called \nOBA2. The novelty of our approach lies in the three complementary layers: preprocessing, \nsyntax-based attribution, and semantic-based attribution. Experiments show that our \nmethod produces results that not only are more accurate but have a meaningful connection \nto the authors’ styles.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,003 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle