oneiromancer

"Una gran fracción de los defectos en el desarrollo de software se deben a que los programadores no comprenden completamente todos los estados posibles en los que su código puede ejecutarse." -- John Carmack

"¿Puede ejecutar Doom?" -- https://canitrundoom.org/

Oneiromancer es un asistente de ingeniería inversa que utiliza un LLM que se ejecuta localmente y que ha sido ajustado (fine-tuning) para pseudocódigo de Hex-Rays, con el fin de ayudar en el análisis de código. Puede analizar una función o un fragmento de código más pequeño, devolviendo una descripción de alto nivel de lo que hace el código, un nombre recomendado para la función y sugerencias de renombrado de variables, basadas en los resultados del análisis.

Features

• Soporte multiplataforma para el LLM ajustado aidapal basado en mistral-7b-instruct.
• Integración sencilla con el extractor de pseudocódigo haruspex e IDEs populares.
• La descripción del código, el nombre de función recomendado y las sugerencias de renombrado de variables se imprimen en la terminal.
• El pseudocódigo mejorado de cada función analizada se guarda en un archivo separado para facilitar su inspección.
• Las crates externas pueden invocar analyze_code o analyze_file para analizar pseudocódigo y luego procesar los resultados del análisis.

Article

• https://hnsecurity.it/blog/aiding-reverse-engineering-with-rust-and-a-local-llm

See also

• https://www.atredis.com/blog/2024/6/3/how-to-train-your-large-language-model
• https://huggingface.co/AverageBusinessUser/aidapal
• https://github.com/atredispartners/aidapal
• https://plugins.hex-rays.com/atredispartners/aidapal

Installing

La forma más sencilla de obtener la última versión es a través de crates.io:

cargo install oneiromancer

Para instalarlo como librería, ejecuta el siguiente comando en el directorio de tu proyecto:

cargo add oneiromancer

Compiling

Alternativamente, puedes compilarlo desde el código fuente:

git clone https://github.com/0xdea/oneiromancer
cd oneiromancer
cargo build --release

Configuration

1. Descarga e instala Ollama.
2. Descarga los pesos ajustados y el modelfile de Ollama desde Hugging Face:
   root@kitploit:~

   wget https://huggingface.co/AverageBusinessUser/aidapal/resolve/main/aidapal-8k.Q4_K_M.gguf
   wget https://huggingface.co/AverageBusinessUser/aidapal/resolve/main/aidapal.modelfile
   

3. Configura Ollama ejecutando los siguientes comandos dentro del directorio en el que descargaste los archivos:
   root@kitploit:~

   ollama create aidapal -f aidapal.modelfile
   ollama list
   

Usage

1. Ejecuta oneiromancer de la siguiente manera:
   root@kitploit:~

   export OLLAMA_BASEURL=custom_baseurl # si no está definido, se usará el valor predeterminado
   export OLLAMA_MODEL=custom_model # si no está definido, se usará el valor predeterminado
   oneiromancer <target_file>.c
   

2. Encuentra el pseudocódigo mejorado en <target_file>.out.c:
   root@kitploit:~

   vim <target_file>.out.c
   code <target_file>.out.c
   

[!TIP] Para obtener los mejores resultados, envía una función a la vez para que el LLM la analice.

Compatibility

Probado con Ollama 0.32.9 en:

• Apple macOS Tahoe 26.5.2
• Ubuntu Linux 24.04.2 LTS
• Microsoft Windows 11 23H2

Credits

• A Chris Bellows (@AverageBusinessUser) de Atredis Partners por su LLM ajustado aidapal <3

Changelog

• CHANGELOG.md

TODO

• Mejorar el manejo de archivos de salida con versionado y/o un directorio de salida.
• Implementar otras características del plugin aidapal de IDA Pro en IDAPython (p. ej., contexto).
• Integrar con haruspex e idalib.
• Implementar un protocolo de "minority report" (es decir, hacer tres consultas y seleccionar las mejores respuestas).
• Considerar una refactorización del renombrado de variables para evitar una posible corrupción del código.
• Investigar otros casos de uso para el LLM aidapal e implementar una arquitectura modular para conectar LLMs personalizados.