LLM 辅助逆向:解释可以快,验证不能省
工具变快了,结论还得自己验
OSCHINA 最近的一条摘要提到,一名有二十年硬件和软件逆向经验的工程师,认为 AI 大幅加快了自己的探索进度。基于公开摘要可见,这是一份个人使用体验,不能拿来推算普通团队的交付速度。摘要也没有展开完整的验证过程。我更关心的是:如果把这种辅助方式放进维护旧系统的日常,省下的时间会不会又花在查错上?
对维护服务端的人来说,逆向未必是什么神秘工作。接手一个缺文档的客户端、弄清历史协议、判断旧依赖为什么连不上新服务,都有类似的处境:代码或字节摆在那里,原来的设计理由却找不到了。这些是可以尝试模型辅助的场景,不代表报道里的工程师做过这些项目。
先让它帮忙读,别急着让它改
我会先把任务限制在解释局部行为。比如给出一段已经脱敏的解析代码,请模型列出可能的字段含义,再检查每个判断能否对应到实际的读写位置。模型说某个字节是长度,就得找出哪里写入、哪里校验,不能因为名字起得像样就接受。
这里容易踩的坑是,解释越流畅,越让人忘记它只是推测。错误的协议理解如果混进迁移脚本,测试数据可能碰巧通过,线上遇到另一种报文才出问题。模型的说明适合放进调查笔记;进入实现前,仍要补上能复现的样例和失败用例。
真正费事的是留下证据
如果要试,我会选一个离线、可重复的小问题:固定输入文件,保留原始输出,让辅助分析提出假设,再用已有工具或独立脚本验证。每次只改变一个条件。这样即使模型把方向带偏了,也能退回上一个已经确认的结论,而不是重读整段聊天记录。
这会多花一点整理时间,但对交接很有用。同事不应该为了维护一个解析器,被迫相信一份聊天记录。字段映射旁边最好留着对应样本和检查方式;暂时证实不了的部分就写成未知。比起漂亮的解释,我更愿意接手一份把不确定处圈清楚的笔记。
成本也不能只看模型调用便宜不便宜。反复喂入大段内容、人工核查、修补错误假设,都要算进投入。若任务涉及内部协议或客户数据,还得先确认哪些内容允许离开本地环境。摘要提到的工具选择是个人经验,不能代替团队自己的数据边界和采购判断。
小团队可以先试一个旧问题
我的建议是找一个搁置已久、又不直接影响生产的小问题试用。保留原先的人工分析路径,对照看看模型到底帮忙缩短了哪一步。如果只是更快写出一段无法验证的说明,那还不算解决问题。
这类报道能给人一点动手的兴致,但不适合直接变成引入新工具的理由。先让一个真实问题留下可复现的结果,再决定是否接进维护流程。尤其涉及历史数据转换时,旧路径和回滚办法先别拆。
本文由本站基于公开热点摘要整理和原创分析生成。原文来源:OSCHINA:二十年逆向老手:LLM 给我的好奇心装上了涡轮增压。