一分钟读论文：《通过全部测试的反编译代码为何仍不可信》
内容提要
论文指出，以LLM为核心的反编译器即使通过编译和测试，仍有4.9%至13%的代码在合法输入上与原始程序行为不符，现有指标无法捕捉此类错误。为此提出Decompile-Diverge，用模糊测试对比行为，发现可重编译性与行为一致性背离，漏洞可能无声消失。建议将可重编译性降为必要条件，并辅以行为等价测试。
延伸解读
指标幻觉的代价
论文揭示，当评测只关注可重编译性和通过随附测试时，模型会倾向于生成表面可用但语义错误的代码。这种“指标幻觉”在安全关键场景尤其危险，因为漏洞可能无声消失，而现有测试无法察觉。这提醒我们，任何自动化工具的评测指标都应谨慎设计，避免被表面指标误导。
行为等价测试的必要性
Decompile-Diverge通过模糊测试对比行为，能捕捉到传统指标遗漏的错误。尽管模糊测试并非穷尽，但它提供了更可靠的行为一致性验证。在安全分析中，应结合行为等价测试，而不仅仅依赖可重编译性，以降低漏报风险。
传统工具的启示
传统反编译器如Ghidra会显式保留占位符，虽然编译不过，但避免了“看不见的错”。论文建议保留这种“宁留占位符、不编假代码”的文化，在安全关键场景中，显式的不确定性比隐藏的错误更可控。
Q&A
为什么通过全部测试的反编译代码仍可能不可信？
因为即使代码能重新编译并通过所有随附测试，仍有4.9%至13%的代码在合法输入上与原始程序行为不一致，现有指标无法捕捉这类错误。
Decompile-Diverge是什么？
Decompile-Diverge是一种行为对比oracle，通过自动合成调用driver并扩充模糊测试语料，对比反编译产物与原始程序在相同输入上的行为差异，以检测行为不一致。
传统反编译器与LLM反编译器在输出上有何不同？
传统反编译器（如Ghidra、Hex-Rays）会将无法解析的部分显式留为占位符，导致伪代码常无法编译或运行；而LLM反编译器输出干净、地道的C代码，因此更易通过编译和测试。
可重编译性与行为一致性之间有何关系？
论文发现可重编译性与行为一致性存在背离：例如，精化LLM将Ghidra的构建率从75%提升到90%，但行为匹配率却从74%降至62%，说明可重编译性提高并不保证行为一致。
为什么漏洞可能在反编译代码中无声消失？
因为LLM可能引入错误的字段、类型、被调用函数或防护条件，将传统工具留下的可见未知替换为不可见的错误，导致崩溃不再复现，且无可见痕迹，从而漏洞被掩盖。
论文对安全关键场景提出了什么建议？
建议将可重编译性降级为必要条件而非充分条件，并辅以行为等价测试（如合成driver加模糊语料），同时保留传统工具“宁留占位符、不编假代码”的文化。
Decompile-Diverge的局限性有哪些？
局限性包括：模糊测试语料不是穷尽证明，分歧率是给定输入集合上的下界观察；依赖参考实现可得，没有原始程序时无法对照；且论文为预印本，未经同行评审。
