---

Por que o LCSAJdump?

Scanners ROP comuns usam uma abordagem linear de "janela deslizante" sobre os bytes executáveis do binário. Este método falha sistematicamente em identificar Shadow Gadgets: cadeias de execução que atravessam blocos de memória não contíguos conectados por saltos incondicionais ou ramificações condicionais.

O LCSAJdump supera essa limitação reconstruindo o Grafo de Fluxo de Controle (CFG) através da análise LCSAJ (Sequência Linear de Código e Salto). Ao modelar o binário como um grafo direcionado de blocos básicos, a ferramenta identifica:

1. Gadgets Contíguos: Sequências lineares padrão que terminam em uma transferência de fluxo de controle.
2. Shadow Gadgets (Não Contíguos): Cadeias complexas que contornam "bytes ruins" (ex.: bytes nulos) utilizando instruções que seriam inalcançáveis via varredura linear.

---

Principais Características

• Suporte a Múltiplas Arquiteturas: Suporte nativo para RISC-V (64GC), x86-64 e ARM64, facilmente extensível a outras arquiteturas através de perfis modulares.
• Análise Baseada em Grafos: Segmenta a seção .text em blocos básicos LCSAJ e reconstrói relações de fluxo através de um grafo de fluxo de controle reverso construído sob medida (representação de adjacência leve, sem dependência de grafos pesados).
• Algoritmo Rainbow BFS: Busca em Largura reversa proprietária começando a partir de sumidouros de fluxo de controle. Agora apresenta um Filtro de Unicidade Early-Drop O(1) e Limites de Instrução com Hard-Cap para evitar explosão de estados e garantir análise ultra-rápida mesmo em binários CISC densos.
• Construção Preguiçosa do Grafo: A construção do grafo retém apenas nós alcançáveis a partir das caudas dos gadgets dentro de --depth saltos, reduzindo drasticamente a memória e o tempo de construção em binários grandes (ex.: libc) enquanto produz resultados idênticos.
• Motor de Ranqueamento em Dois Estágios: Combina uma linha de base heurística ultra-rápida (otimizada Bayesianamente via Optuna) com um modelo de aprendizado profundo LightGBM ML que refina a qualidade dos gadgets usando características estruturais e semânticas.
• Inferência com Custo Zero: O modelo ML é integrado nativamente e executado por padrão, processando dezenas de milhares de nós em segundos. Atua como um filtro altamente eficaz, rejeitando saltos ruidosos e retornando cadeias de gadgets limpas e altamente controláveis. Hospedado no Hugging Face.
• Parâmetros de Poda: Fator "Darkness" configurável para equilibrar profundidade de análise e desempenho, evitando loops infinitos em grafos cíclicos.

---

Arquiteturas Suportadas

(veja Benchmarks).

O LCSAJdump foi projetado para ser universal. Atualmente suporta:

• RISC-V 64-bit (RV64GC): Suporte total para instruções comprimidas de 16 bits.
• x86-64: Lida com instruções sobrepostas de comprimento variável. Navega com segurança por grafos densos sem explosão de memória.
• ARM64: Lida com instruções de 32 bits e filtra profundamente gadgets inchados através de penalidades heurísticas rigorosas.
• Outras Arquiteturas: Podem ser facilmente implementadas definindo novos perfis em config.py.

---

Instalação

Via Pip (Recomendado)

pip install lcsajdump

A partir do Código Fonte (Desenvolvimento)

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

---

Uso

O LCSAJdump oferece uma CLI poderosa para análise binária precisa:

Análise Padrão (RISC-V Padrão):

python LCSAJdump.py <caminho_para_binario>

Análise Avançada (Especificando Arquitetura e Arquivo de Saída):

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

Exportar como JSON com filtro de caracteres ruins:

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

Nota: Use -o após --json para salvar JSON em arquivo. Sem --json, -o salva em texto simples.

Salvar saída em texto simples:

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

Analisar todas as seções executáveis:

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

Forçar ranqueamento estritamente algorítmico (ignorar ML):

lcsajdump --algo <caminho_para_binario>

Opções da CLI

Bandeira	Tipo	Padrão	Descrição
-a, --arch	TEXTO	auto	Arquitetura alvo (auto, riscv64, x86_64, arm64). Detectada automaticamente do cabeçalho ELF.
-d, --depth	INTEIRO	20	Profundidade máxima de busca em blocos LCSAJ. Controla o comprimento da cadeia.
-k, --darkness	INTEIRO	5	Limiar de poda — máximo de visitas por nó. Maior = mais gadgets, varredura mais lenta.
-l, --limit	INTEIRO	10	Número máximo de gadgets a exibir na saída.
-s, --min-score	INTEIRO	0	Pontuação heurística mínima para um gadget aparecer nos resultados.
-i, --instructions	INTEIRO	15	Número máximo de instruções contidas em um único nó LCSAJ.
-v, --verbose	BANDEIRA	—	Habilita saída detalhada com resultados por gadget.
-o, --output	CAMINHO	—	Escreve a saída em arquivo. Texto simples por padrão; use com --json para saída JSON.
-b, --bad-chars	TEXTO	—	Bytes hexadecimais a filtrar dos endereços dos gadgets (ex.: "000a0d").
--json	BANDEIRA	—	Saída dos gadgets como JSON estruturado. Combine com -o para salvar em arquivo.
--all-exec	BANDEIRA	—	Analisa todas as seções executáveis, não apenas .text.
-al, --algo	BANDEIRA	—	Usa estritamente o ranqueamento algorítmico (ignora ML).
--version	BANDEIRA	—	Mostra a versão instalada e sai.
--help	BANDEIRA	—	Mostra a mensagem de ajuda e sai.

---

---

Precisão e Benchmarks

O LCSAJdump é apoiado por um conjunto de testes rigoroso e validado incrementalmente localizado no diretório benchmarkTests/.

Através de 14 iterações principais de engenharia de características semânticas, o modelo híbrido aprendeu a discriminar gadgets com base em efeitos colaterais reais de memória (extraídos via execução simbólica do angr) em vez de heurísticas puramente sintáticas.