Skip to content
KitploitKITPLOIT
HerramientasExploitsBlog
Log in
Enviar
HerramientasExploitsBlog
Enviar

¡Herramientas de Hacking, PenTest y Ciberseguridad para tu Arsenal de Seguridad!

Kitploit es un directorio de herramientas de hacking, ciberseguridad y pentesting. Descubre las últimas actualizaciones de proyectos para encontrar vulnerabilidades, analizar sistemas, automatizar pruebas y fortalecer tu seguridad.

FeedsContactoPrivacidad© 2026 Kitploit

Directorio de Herramientas

Categorías

Ver todas las categorías
Loading categories
ghidra-llm-pipeline — Extracción determinista con PyGhidra, triaje y pipeline local de backend de compilador con LLM para la reimplementación en C. | Kitploit
Herramientas/GitHubGitHub/happytotoro116/ghidra-llm-pipeline
Análisis EstáticoAnálisis de CódigoIngeniería InversaScripting y AutomatizaciónAnálisis de BinariosAprendizaje AutomáticoReversing Asistido por IASeguridad de IA
GitHub
happytotoro116/ghidra-llm-pipeline

ghidra-llm-pipeline

Extracción determinista con PyGhidra, triaje y pipeline local de backend de compilador con LLM para la reimplementación en C.

Ver Repositorio
11386hace 1 mesAún no revisado
Compartir

ghidra-llm-pipeline

Gracias por descargar mi pipeline de Ghidra + LLM.

Este es mi primer README. ASL (lengua de signos americana) es mi primera lengua, así que mi inglés no es perfecto. Hice lo que pude.


----- Por qué lo hice -----

Me encanta una vieja simulación de PC que he jugado desde la infancia, y quiero mejorarla por dentro.

Mirar juegos de código abierto como OpenRA y OpenTTD me enseñó esto: una reimplementación hecha por un aficionado no consiste en obtener el código fuente original. Consiste en construir una nueva versión de código abierto del juego que pueda cargar los recursos del original. Así cualquiera puede ampliarla o contribuir.

Para hacer el trabajo uso dos tipos de IA juntas:

  • IA en la nube para conocimiento y consejo (y para ayuda con scripting en Python).
  • LLM locales para el trabajo pesado (escribir el código).

----- El pipeline -----

  1. PyGhidra vuelca el programa como ensamblador y como pseudocódigo C.
  2. Las cabeceras son la parte más importante. Cada función recibe una cabecera con las funciones y globales que utiliza.
  3. Agrupación: Python agrupa las funciones que se llaman entre sí en "clases".
  4. Triaje: Python lee las cadenas que usa cada grupo para adivinar para qué sirve.
  5. Roles: un script lista el rol probable de cada clase y crea las colas de trabajo.

----- Las etiquetas (triaje) -----

Cada función recibe una etiqueta. Esto ahorra mucho tiempo, porque no desperdicio esfuerzo en el gran conjunto de basura del SO y del runtime.

|-----------|------------------------------------------------------------------------------------------------------------------

EtiquetaSignificado
KEEPLa lógica propia del juego (por ejemplo el modelo de vuelo, el modelo de daño, TrackIR)
WRAPPegamento orientado a Java que llama a APIs del SO o de entrada: conserva la firma, escribe un nuevo cuerpo.
(IL-2 1946 es un motor interesante: C++ y Java juntos.)
REPLACERuntime C antiguo, asignador de memoria, thunks: los proporciona el compilador o el SO, así que una nueva versión de 64 bits no los necesita
UNKNOWNNo está claro: revísalo a mano
-----------------------------------------------------------------------------------------------------------------------------

En mi programa de prueba, alrededor del 44% de las funciones eran REPLACE, así que nunca necesitaron ser convertidas.


----- Ensamblador, no pseudocódigo C -----

Al principio confiaba en que el pseudocódigo C tenía todas las respuestas. Eso fue ingenuo. Es la interpretación que hace Ghidra del ensamblador, y adivina (tipos de variables, argumentos perdidos).

El ensamblador es la verdad cruda. No tiene tipos de variables, pero contiene el comportamiento exacto de cada función. Así que los scripts leen el ensamblador y lo convierten en un plano en forma similar a C. El C de Ghidra se conserva solo como pista.


----- El LLM como compilador, no como ensamblador -----

Mis primeras pruebas usaban los LLM locales (Qwen 2.5 Coder, DeepSeek Coder V2 Lite, Mellum 2) para leer el ensamblador directamente. Nunca funcionó de forma fiable. Alucinaban, porque están hechos para escribir código, no para leer código máquina crudo.

Tras muchos experimentos fallidos dividí el trabajo:

  • Python es el ensamblador. Lee el ensamblador y escribe el plano: hechos exactos, un borrador en C a nivel de registros y una lista de comprobación.
  • El LLM es el compilador. Escribe el C real libremente a partir del plano.
  • Python comprueba la respuesta (comprobaciones de texto y un compilador real) y corrige pequeños deslices.

NOTA: Cómo comprueba Python la respuesta

  • Comprobaciones de texto: el nombre de la función, cada llamada, global y cadena del plano, los bucles, los tamaños de paso, las constantes comparadas, el valor de retorno, y que no queden nombres de registros ni nombres inventados.

  • comprobación de compilación con gcc: el código se compila con gcc (solo sintaxis, no se ejecuta nada). Esto ayudó mucho. En una ejecución temprana, las comprobaciones de texto dieron por válidas las respuestas de Mellum 2, pero ninguna de ellas compilaba, debido a un comentario de cabecera escrito fuera de un comentario. gcc detecta lo que las comprobaciones de texto no pueden ver: variables no declaradas o redeclaradas, tipos incorrectos y llaves o puntos y coma mal formados. Una función cuenta como PASS solo cuando las comprobaciones de texto y la compilación están ambas correctas. gcc no demuestra que la lógica sea correcta, así que sigo leyendo el código contra el plano.

  • Si una comprobación falla, el LLM recibe la lista de lo que falló e intenta una vez más.

  • Python corrige pequeños deslices por sí mismo, sin el LLM: declara cada variable una vez, envuelve las líneas de cabecera sueltas en un comentario, hace que el último return devuelva el resultado correcto, y añade los includes y las declaraciones.

La lista de verificación surgió después de ver a los LLM fallar en funciones muy largas. Funciona como la lista de verificación que usa un piloto antes del despegue y el aterrizaje. Python la escribe a partir de la función y comprueba la respuesta contra ella. En mis pruebas, las funciones largas empezaron a pasar, y las ejecuciones se volvieron más rápidas.


----- Qué hay en este repositorio -----

|-------------------|---------------------------------------|---------------------------------------------

CarpetaQué haceLeer
ghidra_pipelineVolcado, agrupación, triaje, rolesghidra_pipeline/INSTRUCTION.txt
llm_pipelinePlanos y el ejecutor del LLM (v3)llm_pipeline/INSTRUCTION_BLUEPRINT_LLM.txt
-------------------------------------------------------------------------------------------------------

Empieza con ghidra_pipeline, luego pasa a llm_pipeline cuando estés listo para usar tus LLM locales.


----- Inicio rápido -----

Primero, analiza tu programa en PyGhidra y ejecuta PyGhidra Scripts/decompile_full_dump.py. Los dos archivos INSTRUCTION explican la configuración de las carpetas. Luego:

Primero, analiza tu programa en PyGhidra y ejecuta PyGhidra Scripts/decompile_full_dump.py. Los dos archivos INSTRUCTION explican la configuración de las carpetas. Luego:

python .\make_full_lite_v2.py --in . --out .\OUT
python .\triage_evidence_v2.py --lite .\OUT\LITE_AC
python .\build_roles_v2.py --triage .\OUT\TRIAGE

python .\blueprint_v3.py --group ".\SOURCE\LITE_AC\<GroupName>" --out ".\G_<GroupName>\BLUEPRINT_v3"
python .\run_blueprint_llm_v3.py --bp ".\G_<GroupName>\BLUEPRINT_v3" --out ".\G_<GroupName>\RUN1_v3_<model>" --model <model name>

Necesitas Ghidra con PyGhidra, Python 3, LM Studio (un modelo cargado) y gcc (recomendado, usado como verificación de compilación).


----- Resultados hasta ahora -----

  • Un grupo de 6 funciones de un programa Windows de 32 bits, tres modelos locales.
  • Los tres modelos dieron código lógicamente correcto (lo leí contra los planos). El verificador automático pasó 6/6, 6/6 y 5/6.
  • Sigo trabajando en ello. Esta es la primera versión.

----- Límites -----

Descargar herramienta

Más Populares

Ver todos →

Descubre las herramientas más usadas por nuestra comunidad.

  • 1

    OsintHunter

    letox4/osinthunter

    🎯 El kit de herramientas OSINT definitivo: grafo de investigación, puntuación de confianza, familias de alias, mapa, línea de tiempo e informes. 49 módulos, más de 400 sitios, sin necesidad de claves API.

    911
  • 2

    ghostlock-app

    yukonga/ghostlock-app

    # Aplicación de Ejecución con un Solo Toque GhostLock (CVE-2026-43499)

    548
  • 3

    redforge

    cybersecurity91/redforge

    Kit de herramientas de red team del lado del navegador con 102 herramientas offline para reconocimiento, generación de payloads, ataques de credenciales, criptografía, codificación y elaboración de informes de compromiso.

    366
  • 4

    ARTEX

    baarai/artex

    Plataforma de pruebas de penetración autónoma multiagente basada en LLM con agentes planificadores/trabajadores, grafos de activos y de exploración, registro de tráfico MITM y reevaluación de vulnerabilidades.

    362
  • 5

    looking-glass

    anonghosty/looking-glass

    Plataforma CSIRT que ingiere informes de Shadowserver en MongoDB y los reproduce como mapas interactivos, análisis, hallazgos, avisos y paneles ejecutivos.

    311
  • 6

    CyberStrikeAI

    ed1s0nz/cyberstrikeai

    El sistema de acción para la ciberseguridad nativa de IA—donde la intención se convierte en ejecución gobernada, la evidencia se convierte en memoria operativa y cada operación mejora la siguiente.

    287

Explora todas las herramientas

Explora nuestra colección de herramientas

Ver todas las herramientas →