Angr符号执行练习–对付OLLVM Bogus Control Flow/虚假控制流
内容提要
本文介绍了如何使用angr工具去除LLVM OLLVM生成的虚假控制流，通过静态分析识别不可达基本块并将其NOP化或JMP化，以简化反汇编结果，帮助理解原始代码逻辑。作者展示了具体的Python实现，强调了angr在反混淆中的应用。
关键要点
-
OLLVM支持虚假控制流，生成的二进制包含不可达基本块，影响静态分析。
-
使用angr工具识别不可达块并进行NOP化或JMP化，以简化反汇编结果。
-
作者展示了具体的Python实现，演示了如何静态Patch目标程序。
-
通过angr符号执行，识别干扰性质的条件跳转指令并进行处理。
-
NOP化和JMP化的流程图展示了如何处理不可达块。
-
hello_bcf是使用OLLVM编译的示例程序，包含不可达基本块。
-
hello_bcf_patch.py是对hello_bcf的完整代码，演示了如何去除虚假控制流。
-
核心技术在于获取永远只走同一条分支的条件跳转指令。
-
重载successors()方法以记录条件跳转指令的来源和去向。
-
建议动态调试以加强对angr流程的理解。
延伸解读
虚假控制流的影响
OLLVM生成的虚假控制流通过引入不可达基本块，干扰了静态分析工具的效果。这些不可达块虽然在执行时不会被触及，但在反汇编时却可能导致分析者误解原始代码逻辑。因此，理解如何去除这些干扰是进行有效静态分析的关键。
angr工具的应用
使用angr工具进行符号执行，可以有效识别并处理虚假控制流中的条件跳转指令。通过将这些指令NOP化或JMP化，分析者能够简化反汇编结果，从而更清晰地理解程序的实际逻辑。这种方法在反混淆和代码理解中具有重要的实用价值。
动态调试的重要性
文章建议进行动态调试，以增强对angr流程的理解。动态调试可以帮助开发者实时观察程序执行过程，识别潜在问题和优化点，从而提高反混淆的效率和准确性。这一过程对于掌握angr的高级用法尤为重要。
延伸问答
什么是OLLVM中的虚假控制流？
OLLVM中的虚假控制流是指在编译时生成的不可达基本块，这些基本块在静态分析时会干扰对原始代码逻辑的理解。
如何使用angr工具去除虚假控制流？
使用angr工具可以识别不可达块并将其NOP化或JMP化，从而简化反汇编结果，帮助理解原始代码逻辑。
在去除虚假控制流的过程中，NOP化和JMP化有什么区别？
NOP化是将不可达块替换为无操作指令，而JMP化是将条件跳转指令替换为无条件跳转指令，直接跳向可达块。
hello_bcf_patch.py的主要功能是什么？
hello_bcf_patch.py是一个示例代码，演示如何使用angr去除hello_bcf程序中的虚假控制流。
在使用angr进行静态分析时，如何处理条件跳转指令？
可以通过重载successors()方法来记录条件跳转指令的来源和去向，从而识别干扰性质的条件跳转指令。
动态调试在angr流程中的作用是什么？
动态调试可以帮助用户更好地理解angr的工作流程和如何处理虚假控制流。
