Binary

general · 首次出现 2026-05-22 · 最近出现 2026-11-14 · 累计提及 46

综述

Binary(二进制)在机器学习语境下既指二进制代码——安全领域逆向分析的基础对象,也指二值/二元结构(如二分类决策、二值特征表示)。随着大模型与图神经网络技术下沉到程序分析和决策科学,围绕二进制代码的研究正在从传统的手工特征走向端到端学习,成为学术界一个持续活跃的方向。

Binary 代码相似度检测的近期进展

  • MicroSim: Contrastive Graph Neural Networks for Binary Code Similarity Detection:该工作将对比学习与图神经网络结合,用于二进制代码相似度检测。这类任务的核心难点在于同一源码经不同编译器、优化等级编译后产生的二进制差异很大,图结构表示加对比训练是目前较主流的应对思路。
  • FLEX-LBP:用反向传播学习局部二值模式参数,纹理分类更准:局部二值模式(LBP)是一类经典的二值纹理描述子,这项工作把原本手工设定的参数改为通过反向传播端到端学习,让传统二值特征方法获得可微分的升级路径,在纹理分类任务上精度更高。
  • Prescriptive Learning of Linear Policies with Feasibility Guarantees for Binary Decision-Making:面向二值决策(Binary Decision-Making)场景,该研究提出带可行性保证的线性策略学习方法,试图在“给出 0/1 建议”与“建议实际可执行”之间建立理论约束,属于二值化决策建模的可解释性路线。
  • Binary 方向的当前焦点与观察点

    目前 Binary 相关研究呈现两条并行主线:一是二进制代码的语义理解,重点解决跨编译配置、跨架构的相似度匹配与函数识别,图神经网络和对比学习是常见工具;二是二值化建模本身,包括二分类决策的可执行性约束、可微分的二值特征学习等。

    值得关注的观察点有三:其一,二进制代码相似度检测方法的评测基准是否统一,直接影响不同论文结论的可比性;其二,传统二值特征(如 LBP)与深度模型的融合能否迁移到工业级纹理分析、缺陷检测场景;其三,二值决策学习中的可行性保证如何在真实业务(如信贷、医疗筛查)中被验证,这类理论工作从论文到落地通常还有距离。

    总体来看,Binary 作为术语在 2025-2026 年的报道中更多以技术组件身份出现,而非独立热点;但二进制代码分析与大模型结合(如用 LLM 辅助逆向)正在成为新的交叉点,值得持续跟踪。

    相关报道

    10 条在档