研究人员开发了一种使用大语言模型（LLMs）通过分析来自多个反编译器工具的反编译代码来改进恶意软件分类的方法。研究发现，结合 Ghidra 和 RetDec 的反编译视图可以提高识别恶意软件的 F1 分数，主要是通过提高召回率。这种多反编译器方法提供了一种简单、无需训练的技术，可以提高基于大语言模型的恶意软件分类在现实场景中的有效性。 AI
影响 通过多视图分析提高恶意软件检测准确性，增强大语言模型在网络安全方面的能力。
排序理由 该集群包含一篇学术论文，详细介绍了基于大语言模型的恶意软件分类的新研究方法。
AI 生成摘要 · Google Gemini · 来自 2 个来源。 我们如何撰写摘要 →
arXiv:2606.20436v1 Announce Type: cross Abstract: Malware analysts often inspect compiled binaries through decompiled pseudo-C, when source code is unavailable. Recent work suggests that large language models (LLMs) can assist this process by classifying decompiled code as benign…
Malware analysts often inspect compiled binaries through decompiled pseudo-C, when source code is unavailable. Recent work suggests that large language models (LLMs) can assist this process by classifying decompiled code as benign or malicious, but existing pipelines typically re…