oneiromancer

"Une grande partie des défauts dans le développement logiciel est due au fait que les programmeurs ne comprennent pas pleinement tous les états possibles dans lesquels leur code peut s'exécuter." -- John Carmack

"Can it run Doom?" -- https://canitrundoom.org/

Oneiromancer est un assistant de rétro-ingénierie qui utilise un LLM exécuté localement et affiné pour le pseudocode Hex-Rays afin de faciliter l'analyse de code. Il peut analyser une fonction ou un extrait de code plus petit, en renvoyant une description de haut niveau de ce que fait le code, un nom recommandé pour la fonction et des suggestions de renommage de variables, sur la base des résultats de l'analyse.

Fonctionnalités

• Prise en charge multiplateforme du LLM affiné aidapal basé sur mistral-7b-instruct.
• Intégration facile avec l'extracteur de pseudocode haruspex et les IDE populaires.
• La description du code, le nom de fonction recommandé et les suggestions de renommage de variables sont affichés sur le terminal.
• Le pseudocode amélioré de chaque fonction analysée est enregistré dans un fichier séparé pour faciliter l'inspection.
• Les crates externes peuvent invoquer analyze_code ou analyze_file pour analyser le pseudocode, puis traiter les résultats de l'analyse.

Article

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

Voir aussi

• 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

Installation

Le moyen le plus simple d'obtenir la dernière version est via crates.io :

cargo install oneiromancer --locked

Pour l'installer en tant que bibliothèque, exécutez la commande suivante dans le répertoire de votre projet :

cargo add oneiromancer

Compilation

Vous pouvez également compiler à partir des sources :

git clone --depth 1 https://github.com/0xdea/oneiromancer
cd oneiromancer
cargo build --release --locked

Configuration

1. Téléchargez et installez Ollama.
2. Téléchargez les poids affinés et le modelfile Ollama depuis Hugging Face :

   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. Configurez Ollama en exécutant les commandes suivantes dans le répertoire dans lequel vous avez téléchargé les fichiers :

   ollama create aidapal -f aidapal.modelfile
   ollama list
   

Utilisation

1. Exécutez oneiromancer comme suit :

   export OLLAMA_BASEURL=custom_baseurl # if not set, the default will be used
   export OLLAMA_MODEL=custom_model # if not set, the default will be used
   oneiromancer <target_file>.c
   

2. Trouvez le pseudocode amélioré dans <target_file>.out.c :

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

[!TIP] Pour de meilleurs résultats, soumettez une fonction à la fois à l'analyse du LLM.

Compatibilité

Testé avec Ollama 0.32.9 sur :

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

Crédits

• Chris Bellows (@AverageBusinessUser) chez Atredis Partners pour son LLM affiné aidapal <3

Journal des modifications

• CHANGELOG.md

À faire

• Améliorer la gestion des fichiers de sortie avec un versionnage et/ou un répertoire de sortie.
• Implémenter d'autres fonctionnalités du plugin IDA Pro aidapal en IDAPython (par exemple, le contexte).
• Intégrer avec haruspex et idalib.
• Implémenter un protocole "minority report" (c'est-à-dire effectuer trois requêtes et sélectionner les meilleures réponses).
• Envisager une refonte du renommage des variables pour éviter une éventuelle corruption du code.
• Étudier d'autres cas d'usage pour le LLM aidapal et implémenter une architecture modulaire pour brancher des LLM personnalisés.