markoglasgow/gemma_crackme_tutorialدليل تعليمي خطوة بخطوة حول استخدام نموذج الذكاء الاصطناعي المحلي Gemma 4 E4B من Google لهندسة عكسية لملف crackme على Windows باستخدام Ghidra، بما في ذلك إعداد الاستدلال المحلي وإعادة تسمية الدوال والمتغيرات تلقائيًا.
كنت أتجول مع نموذج Gemma E4B الجديد ذو الأوزان المفتوحة المحلي الذي أصدرته Google، ولدهشتي رأيت نجاحًا كبيرًا في استخدامه لسيناريوهات الهندسة العكسية المحلية دون اتصال بالإنترنت. أردت كتابة هذا البرنامج التعليمي لنشر الكلمة بأن الذكاء الاصطناعي المحلي أصبح الآن جيدًا بما يكفي للعديد من مهام الهندسة العكسية الأساسية، وأن الأمور ستتحسن على الأرجح بسرعة من هنا فصاعدًا.
أحد أكثر الأجزاء مملة في إجراء الهندسة العكسية لملف ثنائي جديد هو في البداية، عندما لا يكون لديك أي فكرة عن ماهية الدوال والمتغيرات المهمة. هناك العديد من الحيل التي يستخدمها المهندسون العكسيون للبدء، بما في ذلك النظر إلى مراجع السلاسل، المقارنة الثنائية، أو مطابقة الدوال المتشابهة.
الذكاء الاصطناعي جيد جدًا في المساعدة هنا، وقد حققت نجاحًا كبيرًا شخصيًا في استخدام واجهة برمجة تطبيقات OpenAI لتعليم ملف ثنائي أو تنظيف مخرجات مفكك الترجمة. ومع ذلك، هناك العديد من العيوب لاستخدام واجهات برمجة التطبيقات هذه:
التكلفة - تولد عمليات فك التجميع وفك التجميع أطنانًا من الرموز المميزة. تفرض واجهات برمجة التطبيقات رسومًا لكل رمز مميز، لذا يمكن أن تتطلب الملفات الثنائية الأكبر قدرًا كبيرًا من المال لتحليلها. إذا كنت تتعامل مع هدف كبير يحتوي على العديد من الملفات الثنائية التي يتم تحديثها كل أسبوع، يمكن أن تتراكم هذه التكاليف بسرعة، وتكون باهظة بالنسبة للمهندسين العكسيين الهواة.
الخصوصية - عندما تستخدم واجهة برمجة تطبيقات عن بُعد، يكون لدى مضيف الذكاء الاصطناعي إطلاع على ما تفعله. هذا أمر غير مقبول في بعض السيناريوهات المهنية.
التحكم - عندما تعتمد على واجهة برمجة تطبيقات عن بُعد، ليس لديك أي تحكم في النماذج التي يتم تقديمها لك، أو في جودة النماذج. إذا كنت تعتمد عليها لأشياء حساسة، يمكن أن تكون هذه مشكلة عندما تصبح بطيئة أو تتعطل عندما تحتاج إليها، أو عندما تتدهور جودة مخرجاتها إلى درجة أنها تصبح غير مفيدة.
تشغيل نماذج الذكاء الاصطناعي المحلية الخاصة بك يعالج بعض نقاط الألم هذه:
التكلفة - يمكن أن يكون أرخص بكثير تشغيل نموذج محلي بدلاً من الاعتماد على خدمة مستضافة. بينما من المحتمل أن يكون نموذجك المحلي أصغر وأبطأ من مزود جيد، إذا كان جيدًا بما يكفي ويعمل في وقت معقول، فقد يكون من المنطقي توفير المال عن طريق تشغيل نموذجك الخاص، خاصة إذا كنت تتعامل مع كميات كبيرة من البيانات لمهام بسيطة.
الخصوصية - عندما تقوم بتشغيل النموذج محليًا، لا تحدث أي استدعاءات شبكة، وأنت في سيطرة كاملة على خصوصيتك. لا يمكن لأي شخص رؤية ما تستخدم النموذج من أجله على جهازك الخاص.
التحكم - جمال النموذج ذو الأوزان المفتوحة هو أنه لا يمكن لأحد أن يأخذه منك. قد تجعل OpenAI أو Anthropic نماذجها المتطورة غير متاحة يومًا ما، إما من خلال زيادات الأسعار أو عن طريق إزالة واجهات برمجة التطبيقات الخاصة بها صراحةً. ولكن مع نموذج ذو أوزان مفتوحة، أنت مسيطر على مصيرك، سواء كان للأفضل أو للأسوأ.
ومع ذلك، فإن نماذج الذكاء الاصطناعي المحلية لها عيوبها:
الحجم - كلما كان نموذجك أكبر، كان أكثر ذكاءً. ومع ذلك، لا يمكن لمعظم النماذج الكبيرة أن تتلاءم مع الأجهزة الاستهلاكية. وبسبب ذلك، إذا كنت تقوم بتشغيل نموذج محلي، فمن المحتمل أنك تقوم بتشغيل نموذج أصغر بحوالي 10-100 مرة من نموذج متطور. يؤدي هذا الانخفاض في الحجم مباشرةً إلى انخفاض في ذكاء النموذج، مما يجعله غير مناسب للعديد من المهام التي يعتبرها الناس أمرًا مفروغًا منه في النماذج المتطورة مثل ChatGPT/Codex أو Claude.
السرعة - من المحتمل أن تعمل النماذج المحلية بشكل أبطأ على جهازك مقارنة باستخدام واجهة برمجة تطبيقات الذكاء الاصطناعي. مرة أخرى، هذا بسبب قيود الأجهزة الاستهلاكية، وبعض الحيل التي يمكن لمقدمي واجهات برمجة التطبيقات القيام بها والتي لا تتوفر عمومًا لك.
التكوين - تشغيل النماذج المحلية يشبه محاولة تشغيل Linux على كمبيوتر محمول مجدد مقابل الدخول إلى متجر Apple وشراء Macbook Air جديد نظيف. تجربة Codex وClaude Code هي تجربة متجر Apple للذكاء الاصطناعي. تجربة النموذج المحلي للذكاء الاصطناعي هي تجربة الرجل الذي يرتدي قبعة في مرآبه وهو يضرب على جهاز كمبيوتر متعطل محاولاً جعله يعمل. على الأقل، عليك القلق بشأن الأمور التالية:
ليست رحلة سهلة، ويستسلم الكثير من الناس ويفترضون أن نماذج الذكاء الاصطناعي المحلية ليست على مستوى المهمة، لأنهم لم يجدوا أبدًا التركيبة الصحيحة من الأجهزة/النموذج/الإعدادات/التلقين/الإطار لجعلها تعمل لمهمتهم. بينما في كثير من الحالات هم على حق، آمل أن يسلط هذا البرنامج التعليمي الضوء على المدى الذي وصلت إليه النماذج المحلية، وكيف يمكنها المساعدة في الهندسة العكسية، ويلهم الناس لتجربة الذكاء الاصطناعي المحلي.
(كلمة مرور الأرشيف هي crackmes.one). لقد استضفت رابطًا بديلاً هنا في المستودع في حال تعطل الرابط الأصلي.
يستخدم Ghidra 12.04 لفك التجميع وفك الترجمة. ستحتاج إلى تثبيت OpenJDK 21 لاستخدامه: https://github.com/nationalsecurityagency/ghidra
أثناء العمل على هذا البرنامج التعليمي، قمت ببرمجة إضافة Ghidra باستخدام Claude Code لإعادة تسمية الدوال والمتغيرات باستخدام الذكاء الاصطناعي. يمكنك تنزيل الإضافة من هنا: https://github.com/markoglasgow/Ghidra_FastAIRenamer_Plugin
لتثبيتها، ببساطة انقل ملف zip ghidra_12.0.4_PUBLIC_20260427_FastAIRenamerPlugin.zip إلى ${GHIDRA_HOME}\Extensions\Ghidra، ثم قم بتشغيل Ghidra عن طريق تشغيل ${GHIDRA_HOME}\ghidraRun.bat. لتفعيل الإضافة، في شاشة Ghidra الأولية على القائمة العلوية حدد File -> Install Extensions، ثم في متصفح الإضافات حدد مربع الاختيار بجوار FastAIRenamerPlugin، ثم انقر Ok. سيطلب منك Ghidra إعادة التشغيل، لذا افعل ذلك فورًا.
لتكوين الإضافة، في المرة التالية التي يبدأ فيها Ghidra، على القائمة العلوية اذهب إلى Tools -> Run Tool -> CodeBrowser. سيقول Ghidra "New Extensions detected. Would you like to configure them?". انقر نعم، ثم مرة أخرى حدد مربع الاختيار بجوار FastAIRenamerPlugin، ثم انقر Ok. عندما يفتح CodeBrowser، في القائمة العلوية انقر Window -> Fast AI Renamer، ثم انقر الزر Config. هنا ستتمكن من تكوين نموذج الذكاء الاصطناعي الخاص بك. أغلق نافذة الإضافة ونافذة CodeBrowser الفارغة بعد الانتهاء.
ملاحظة: إذا واجهت أي مشاكل في تحميل الإضافة، قد تحتاج إلى تمكين وضع المطور في Ghidra (File -> Configure -> مربع الاختيار بجوار Developer)
ملاحظة: يمكنك دائمًا التحقق مما إذا كانت الإضافة محملة بالذهاب إلى CodeBrowser، والنقر على File -> Configure -> Ghidra Core -> النقر على زر التكوين الأزرق -> التصفية بواسطة "FastAIRenamer" -> تأكد من تحديد مربع الاختيار بجوار اسمها.
