---

Pourquoi LCSAJdump ?

Les scanners ROP courants utilisent une approche linéaire de « fenêtre glissante » sur les octets exécutables du binaire. Cette méthode échoue systématiquement à identifier les Shadow Gadgets : des chaînes d'exécution qui traversent des blocs mémoire non contigus reliés par des sauts inconditionnels ou des branches conditionnelles.

LCSAJdump surmonte cette limitation en reconstruisant le graphe de flot de contrôle (CFG) via l'analyse LCSAJ (Linear Code Sequence and Jump) . En modélisant le binaire comme un graphe orienté de blocs de base, l'outil identifie :

1. Gadgets contigus : Séquences linéaires standards se terminant par un transfert de contrôle.
2. Gadgets fantômes (non contigus) : Chaînes complexes qui contournent les « mauvais octets » (par exemple, les octets nuls) en utilisant des instructions qui seraient autrement inaccessibles via un balayage linéaire.

---

Fonctionnalités clés

• Support multi-architecture : Prise en charge native de RISC‑V (64GC), x86‑64 et ARM64, facilement extensible à d'autres architectures via des profils modulaires.
• Analyse basée sur les graphes : Segmente la section .text en blocs de base LCSAJ et reconstruit les relations de flot via un graphe de flot de contrôle inversé maison (représentation d'adjacence légère, aucune dépendance lourde de graphe).
• Algorithme Rainbow BFS : Parcours en largeur inversé propriétaire partant des puits de flot de contrôle. Il intègre désormais un filtre d'unicité O(1) à abandon précoce et des limites d'instructions à plafond dur pour éviter l'explosion d'état et garantir une analyse ultra-rapide même sur des binaires CISC denses.
• Construction paresseuse du graphe : La construction du graphe ne conserve que les nœuds accessibles depuis les queues de gadget dans la limite de --depth sauts, réduisant considérablement la mémoire et le temps de construction sur les gros binaires (par ex. libc) tout en produisant des résultats identiques.
• Moteur de classement en deux étapes : Combine une ligne de base heuristique hyper-rapide (optimisée par Bayes via Optuna) avec un modèle de deep learning LightGBM qui affine la qualité des gadgets à l'aide de caractéristiques structurelles et sémantiques.
• Inférence sans surcoût : Le modèle ML est intégré nativement et s'exécute par défaut, traitant des dizaines de milliers de nœuds en quelques secondes. Il agit comme un filtre très efficace, rejetant les sauts parasites et renvoyant des chaînes de gadgets propres et hautement contrôlables. Hébergé sur Hugging Face.
• Paramètres d'élagage : Facteur d'« obscurité » configurable pour équilibrer la profondeur d'analyse et les performances, évitant les boucles infinies dans les graphes cycliques.

---

Architectures supportées

(voir Benchmarks).

LCSAJdump est conçu pour être universel. Actuellement supporté :

• RISC‑V 64‑bit (RV64GC) : Support complet des instructions compressées 16 bits.
• x86‑64 : Gère les instructions superposées de longueur variable. Navigue en toute sécurité dans les graphes denses sans explosion mémoire.
• ARM64 : Gère les instructions 32 bits et filtre profondément les gadgets gonflés via des pénalités heuristiques strictes.
• Autres architectures : Peuvent être facilement implémentées en définissant de nouveaux profils dans config.py.

---

Installation

Via Pip (recommandé)

pip install lcsajdump

Depuis les sources (développement)

git clone [https://github.com/Chris1sFlaggin/LCSAJdump.git](https://github.com/Chris1sFlaggin/LCSAJdump.git)
cd LCSAJdump
pip install -r requirements.txt

---

Utilisation

LCSAJdump offre une puissante interface en ligne de commande pour une analyse binaire précise :

Analyse standard (RISC‑V par défaut) :

python LCSAJdump.py <chemin_vers_le_binaire>

Analyse avancée (spécification de l'architecture et du fichier de sortie) :

lcsajdump -a riscv64 -d 15 -k 10 -l 20 -o gadgets.txt <chemin_vers_le_binaire>

Exportation en JSON avec filtre de mauvais caractères :

lcsajdump -a x86_64 -d 20 -k 5 -b "000a0d" --json -o gadgets.json <chemin_vers_le_binaire>

Remarque : Utilisez -o après --json pour enregistrer le JSON dans un fichier. Sans --json, -o enregistre en texte brut.

Enregistrer la sortie en texte brut :

lcsajdump -a riscv64 -d 15 -k 10 -l 20 -o gadgets.txt <chemin_vers_le_binaire>

Analyser toutes les sections exécutables :

lcsajdump --all-exec -d 25 -k 10 -l 30 <chemin_vers_le_binaire>

Forcer le classement strictement algorithmique (contourner le ML) :

lcsajdump --algo <chemin_vers_le_binaire>

Options CLI

Option	Type	Défaut	Description
-a, --arch	TEXTE	auto	Architecture cible (auto, riscv64, x86_64, arm64). Détectée automatiquement depuis l'en-tête ELF.
-d, --depth	ENTIER	20	Profondeur de recherche maximale en blocs LCSAJ. Contrôle la longueur des chaînes.
-k, --darkness	ENTIER	5	Seuil d'élagage — nombre maximum de visites par nœud. Plus élevé = plus de gadgets, analyse plus lente.
-l, --limit	ENTIER	10	Nombre maximum de gadgets à afficher dans la sortie.
-s, --min-score	ENTIER	0	Score heuristique minimum pour qu'un gadget apparaisse dans les résultats.
-i, --instructions	ENTIER	15	Nombre maximum d'instructions contenues dans un seul nœud LCSAJ.
-v, --verbose	DRAPEAU	—	Active la sortie détaillée pour des résultats par gadget.
-o, --output	CHEMIN	—	Écrit la sortie dans un fichier. Texte brut par défaut ; à utiliser avec --json pour une sortie JSON.
-b, --bad-chars	TEXTE	—	Octets hexadécimaux à filtrer des adresses de gadgets (par ex. "000a0d").
--json	DRAPEAU	—	Produit les gadgets au format JSON structuré. Combiner avec -o pour enregistrer dans un fichier.
--all-exec	DRAPEAU	—	Analyse toutes les sections exécutables, pas seulement .text.
-al, --algo	DRAPEAU	—	Utilise strictement le classement algorithmique (contourne le ML).
--version	DRAPEAU	—	Affiche la version installée et quitte.
--help	DRAPEAU	—	Affiche le message d'aide et quitte.

---

---

Précision et benchmarks