Llm4decompile 6.7b V1.5

🚀 LLM4Decompile

LLM4Decompile旨在将x86汇编指令反编译为C语言代码。新发布的V1.5系列使用了更大的数据集（150亿个标记）进行训练，最大标记长度为4096，与之前的模型相比，性能有显著提升（最高提升100%）。

🚀 快速开始

LLM4Decompile是一个用于将x86汇编指令反编译为C语言代码的工具。新发布的V1.5系列模型在性能上有显著提升。你可以通过以下链接访问其Github仓库：

• Github仓库地址：LLM4Decompile

✨ 主要特性

• 更大的训练数据集：V1.5系列使用了150亿个标记的数据集进行训练。
• 更长的标记长度：最大标记长度达到4096。
• 显著的性能提升：与之前的模型相比，性能最高提升100%。

📊 评估结果

💻 使用示例

基础用法

以下是使用我们模型的示例（V1.5版本修订）。 注意：请将func0替换为你要反编译的函数名。

预处理：将C代码编译为二进制文件，并将二进制文件反汇编为汇编指令。

import subprocess
import os

OPT = ["O0", "O1", "O2", "O3"]
fileName = 'samples/sample' #'path/to/file'
for opt_state in OPT:
    output_file = fileName +'_' + opt_state
    input_file = fileName+'.c'
    compile_command = f'gcc -o {output_file}.o {input_file} -{opt_state} -lm'#compile the code with GCC on Linux
    subprocess.run(compile_command, shell=True, check=True)
    compile_command = f'objdump -d {output_file}.o > {output_file}.s'#disassemble the binary file into assembly instructions
    subprocess.run(compile_command, shell=True, check=True)
    
    input_asm = ''
    with open(output_file+'.s') as f:#asm file
        asm= f.read()
        if '<'+'func0'+'>:' not in asm: #IMPORTANT replace func0 with the function name
            raise ValueError("compile fails")
        asm = '<'+'func0'+'>:' + asm.split('<'+'func0'+'>:')[-1].split('\n\n')[0] #IMPORTANT replace func0 with the function name
        asm_clean = ""
        asm_sp = asm.split("\n")
        for tmp in asm_sp:
            if len(tmp.split("\t"))<3 and '00' in tmp:
                continue
            idx = min(
                len(tmp.split("\t")) - 1, 2
            )
            tmp_asm = "\t".join(tmp.split("\t")[idx:])  # remove the binary code
            tmp_asm = tmp_asm.split("#")[0].strip()  # remove the comments
            asm_clean += tmp_asm + "\n"
    input_asm = asm_clean.strip()
    before = f"# This is the assembly code:\n"#prompt
    after = "\n# What is the source code?\n"#prompt
    input_asm_prompt = before+input_asm.strip()+after
    with open(fileName +'_' + opt_state +'.asm','w',encoding='utf-8') as f:
        f.write(input_asm_prompt)

反编译：使用LLM4Decompile将汇编指令翻译为C代码。

from transformers import AutoTokenizer, AutoModelForCausalLM
import torch

model_path = 'LLM4Binary/llm4decompile-6.7b-v1.5' # V1.5 Model
tokenizer = AutoTokenizer.from_pretrained(model_path)
model = AutoModelForCausalLM.from_pretrained(model_path,torch_dtype=torch.bfloat16).cuda()

with open(fileName +'_' + OPT[0] +'.asm','r') as f:#optimization level O0
    asm_func = f.read()
inputs = tokenizer(asm_func, return_tensors="pt").to(model.device)
with torch.no_grad():
    outputs = model.generate(**inputs, max_new_tokens=4000)
c_func_decompile = tokenizer.decode(outputs[0][len(inputs[0]):-1])

with open(fileName +'.c','r') as f:#original file
    func = f.read()

print(f'original function:\n{func}')# Note we only decompile one function, where the original file may contain multiple functions
print(f'decompiled function:\n{c_func_decompile}')

📄 许可证

本代码仓库遵循MIT许可证。

📞 联系我们

如果您有任何问题，请在仓库中提出issue。