代码地址：GitHub - inoueke-n/optimization-detector: Optimization detection over compiled binaries [[Identifying Compiler and Optimization Level in Binary Code From Multiple Architectures]]

准备

• 实验用到的数据集 following link.
• 也可以自己按照 readme. md 文件中的 generation 节中的步骤来自己生成数据集。（因为文章中提到的担心被库文件污染，所以需要 docker 环境来生成）

文档结构

• Resources 存储测试的二进制文件
• Tests 和 src 文件存储源代码
• generate_dataset.py 文件负责生成数据集（准确的说是交叉编译生成所需的二进制文件）
• optimization-detector.py 文件负责文件的提取（可执行数据），预处理（平衡数据集），训练、评估、推断。

数据集文件结构

• Dataset 文件夹下的是已经经过预处理的数据集，raw 后缀表示采用原始字节作为输入，func 表示按照函数边界进行了拆分

  • 但是没有优化等级是 O3 的数据啊

• 突然懂了这个逻辑，process 的输入是 func 和 raw 文件，输出 train. bin、test. Bin、validate. Bin 文件，然后 train 用 train. Bin 、validate. Bin 文件训练，evaluate 用 test. Bin 看效果

• Multi 表示将 gcc 和 clang 混合

复现

首先要安装依赖 因为直接用作者数据集，所以先跳过数据生成和处理的部分

评估

python3 optimization-detector. py evaluate -m <model> -o output. csv <dataset_dir>

• Model 是. h5 文件
• Dataset_dir 是 test. bin 文件，但是注意这里写路径就行，不用指明文件名（因为代码里面写死了文件名就是 test. bin）
  • 这里有个坑，代码里面会验证数据集的第一个字节是不是 27，但是作者给的数据集里面的数据文件第一个字节都是 26，需要手动改一下
  • 2.27，现在卡在了作者自定义的 generator 类与 TensorFlow 的 data_adapter 不协调上

训练

python3 optimization-detector.py train -n <network_type> <model_dir>

• network_type 选择 lstm 或者 cnn
• model_dir 是包含数据集（预处理后）的文件夹
• 会在 model_dir 路径下生成 logs 文件夹

问题

• 数据集里面怎么还有一个代码文件
• 没有 O3 级别的数据集
• 貌似也没有区分架构
• 为什么多分了一个全连接层的模型
• Mixed 未知