AIDebug

审阅者起点

以证据为中心的反向工程 CLI。 Andrey Pautov 开发了 Python 分析师界面、离线分诊、字符串情报、PE 检查和报告工作流。Capstone、Ghidra、GDB 以及可选的 AI 提供商属于集成组件，而非本项目原创的工具。

角色相关性： 恶意软件分诊、反向工程工具、安全的 AI 辅助分析、Python 交付。

运行安全的本地演示并查看验证范围 · 已记录的本地验证

AIDebug 是一款以证据为中心的恶意软件反向工程 CLI 和终端 UI。 它结合了确定性的离线分诊、全文件十六进制检查、深度 PE 结构分析、Capstone 反汇编、Ghidra 重建、可选的 LLM 交叉验证、本地 ELF 调试、编译式学习练习，以及 分析师审阅报告。

当前源码版本：AIDebug 3.1.0。请参阅 3.1.0 发布说明。

最新的不可变已发布版本仍为 AIDebug v3.0.0， 以 1200km-aidebug 形式提供， 直至版本匹配的 3.1.0 标签和 GitHub 发布完成已验证的 发布工作流。

亮点

• 确定性的 PE 和 ELF 静态分诊，无需 AI 服务。
• 全文件、感知出现次数的 ASCII、UTF-8、UTF-16LE 和 UTF-16BE 字符串 情报，具备智能分类、排序和 DLL/API 说明。
• 针对完整分析文件的只读、分页十六进制查看器。
• 深度 PE32/PE32+ 结构浏览器，映射 RVA、VA 和文件偏移。
• 基于 Ghidra 的类 C 重建，可针对单个函数或完整有界 函数集。
• 通过 Anthropic、OpenAI、Google Gemini 或本地 Ollama 兼容端点进行可选的基于证据的审阅。
• 基于 GDB 的本地 ELF 调试，支持断点、单步执行、寄存器、增量、 反汇编上下文以及函数输入/输出候选。
• 一百个独立 C 学习案例，在主 GUI 中提供真实编译器输出、 反汇编和 Ghidra 伪代码。
• SHA-256 索引的本地分析历史记录和兼容的发现恢复。
• 用于分析师审阅的 HTML、版本化 JSON、YARA 候选、ATT&CK 候选和 CFG 输出。

安装

从 PyPI 安装稳定包：

python3 -m venv .venv
source .venv/bin/activate
python -m pip install --upgrade pip
python -m pip install 1200km-aidebug==3.0.0
aidebug --version

按需安装可选功能：

# Remote/local LLM providers and validated YARA generation
python -m pip install "1200km-aidebug[ai]==3.0.0"

# Frida dynamic instrumentation
python -m pip install "1200km-aidebug[dynamic]==3.0.0"

# All optional Python integrations
python -m pip install "1200km-aidebug[all]==3.0.0"

用于开发：

git clone https://github.com/anpa1200/AIDebug.git
cd AIDebug
python3 -m venv .venv
source .venv/bin/activate
python -m pip install -e ".[dev,dynamic]"

Ghidra、GDB、Bubblewrap、C 编译器和 Frida 目标组件是外部 工具，仅由需要它们的工作流使用。

快速开始

在主终端界面中打开 PE 或 ELF 样本：

aidebug --binary /path/to/sample.exe --offline

在不使用全屏 UI 的情况下运行确定性分析并导出证据：

aidebug --binary /path/to/sample.exe \
  --offline --no-tui --report --json-export --yara \
  --out-dir reports/

使用 Ghidra 重建：

aidebug --binary /path/to/sample.exe --offline --no-tui --decompile
aidebug --binary /path/to/sample.exe --offline --no-tui \
  --decompile-all reports/sample-reconstruction.c

通过临时、非执行的 ELF 产物分析一个 C 翻译单元：

aidebug --source /path/to/example.c --offline --no-tui

独立于文件扩展名识别任意文件：

aidebug --identify /path/to/renamed-or-unknown-file --offline

--identify 报告结构化 JSON，包含声明类型、MIME 类型、常见 扩展名、置信度、方法、证据、SHA-256 和大小。确定性 覆盖范围包括常见可执行文件和字节码格式、归档和磁盘 映像、Office/OpenDocument/EPUB 容器、文档、图像、音频/视频、 数据包捕获、数据库、注册表/事件日志产物、脚本和文本。 基于 ZIP 的格式通过有界成员名称和小型元数据 读取进行检查；文件绝不会被执行或提取。

安装 python-magic 以及操作系统的 libmagic 数据库，以获取 本地平台已知的额外签名：

python -m pip install python-magic

当没有确定性签名、结构或文本规则匹配时，已配置的 AI 提供商可以根据有界元数据推断候选：扩展名、大小、 SHA-256、最多 96 个头部字节、32 个尾部字节、样本熵和 NUL 比率。 文件正文、提取的字符串和文件系统路径不会被发送。仅 AI 结果标记为 ai-inference，置信度上限为 60%，需要 分析师验证。使用 --offline 完全禁用回退；未 解析的类型报告为 Unknown，退出状态为 2。

字符串情报工作区（3.1.0）

在主终端界面中按 S，或直接在工作区中启动：

aidebug --binary /path/to/sample.exe --offline --strings

工作区保留文件偏移、可用时的映射地址、 编码、字节和字符长度、重复出现信息、 节上下文、置信度、分诊分数以及每个分类的确定性 原因。过滤器涵盖最小长度、编码、类别和 自由文本搜索；列排序和分页使大型清单保持可用。 每个选定的编码都会扫描完整的有界大小产物。保留的 清单上限为 25,000 条记录和每个值 4,096 个显示字符； 精确的候选/省略计数和全字节覆盖使任一上限可见。 每条记录最多保留 32 个 DLL/API 注释和 4,096 个描述 字符；对抗性溢出会在记录原因中报告。

检测是多标签的。单个值可以同时是 DLL、Windows 路径、URL、IP 地址、注册表项、命令、PowerShell 片段、命名管道、 哈希、凭据候选、用户代理或其他支持的证据类型。 域候选经过 IDNA 规范化，并与打包的离线 IANA 根区快照进行核对；IP 地址必须占据完整的有效令牌，并且 配置赋值必须匹配保守的整行语法。这 防止短二进制片段仅因包含 点、冒号或等号而被提升。相关标签共享一个置信度家族，因此 ip_address 加 ipv6 不会被视为两个独立观察。 已知 DLL 和 API 会获得简短的中性能力描述；未知 名称会获得明确的未验证回退，而不是猜测的用途。 提取的名称是存在的证据，而非代码调用它或 样本为恶意的证明。

在本地打印确定性清单、过滤显示的 CLI 视图，或 将规范完整清单写为仅所有者可读的 JSON：

aidebug --binary /path/to/sample.exe --strings --no-tui
aidebug --binary /path/to/sample.exe --strings --no-tui \
  --string-encoding ascii --min-string-length 6 --string-category url
aidebug --binary /path/to/sample.exe --strings --no-tui \
  --strings-output reports/sample-strings.json

AI 字符串审阅是单独的选入操作。在工作区内按 A 并确认隐私/成本警告，或在 CLI 模式下明确请求：

aidebug --binary /path/to/sample.exe --strings --no-tui \
  --analyze-strings --accept-ai-cost \
  --strings-output reports/sample-strings-ai.json

每个保留的字符串都会被分配一个稳定的证据 ID。在明确 确认后，AI 路径会在确定性、 有界块中规划每条保留记录；提供商或验证失败会安全停止并保持可见。 响应必须说明每个提供的 ID，并 在它们被接受之前通过严格的本地模式、枚举、引用和 IOC 接地验证。 最终归约器看到的是已验证的发现，而非 原始清单。提取限制、失败的批次 以及已审阅/已发送计数始终会被报告；不完整的覆盖会强制 unknown 总体评估。字符串可能包含密码、API 令牌、 客户数据和攻击者编写的提示注入，因此在启用此功能之前请审阅远程 AI 边界。

按文件或 SHA-256 检查先前的分析：

aidebug --history /path/to/sample.exe
aidebug --history 0123456789abcdef0123456789abcdef0123456789abcdef0123456789abcdef

PE 结构工作区

加载 PE 文件并在主 GUI 中按 X（或 P）。AIDebug 呈现 它哈希的确切字节，并将结构证据组织为有界、 可导航的视图。

区域	证据
头部	DOS、NT、COFF、可选头、特征、数据目录和缓解标志
节	完整的 IMAGE_SECTION_HEADER 字段、映射范围、熵和权限
导入和导出	导入描述符、INT/IAT 条目、延迟导入、序号、名称、RVA 和转发器
资源	类型/名称/语言层次结构、元数据、哈希、预览和安全的不覆盖导出
重定位和 ASLR	重定位块/条目以及结构性 ASLR 兼容性评估
TLS	TLS 目录、模板数据、索引、回调表、映射和终止证据
异常和展开	x64 运行时函数、UNWIND_INFO、操作、处理程序和链式记录
加载配置	版本化字段、Guard 标志、栈 cookie 和漏洞利用缓解证据
CFG	检查/分派指针、Guard Function ID 目标、排序、抑制和一致性检查
Authenticode	证书记录、PKCS#7/X.509 证据、PE 映像摘要比较和签名者验证
调试和来源	Rich 头、调试目录、CodeView RSDS/NB10、PDB GUID、年龄和路径
覆盖层	精确偏移、大小、哈希、熵、预览和安全导出
.NET / CLR	COR20 头、元数据根和流、ECMA-335 表、程序集、引用和资源

AIDebug 在构建这些视图时不会执行 PE。静态证书 验证不是 Windows 根信任或吊销验证，Rich 元数据 不是归属，强名称元数据不是发布者信任，静态缓解标志 不是有效运行时策略的证明。

已发布指南

这些文章提供了补充 仓库文档的长篇工作流和截图：

• AIDebug 3.1 完整发布审阅：从二进制接收到字符串情报 — 跨文件识别、PE 和 ELF 分诊、函数、控制流、字符串、Ghidra、可选 AI 审阅、受控调试、历史和报告的完整证据优先工作流。
• 恶意软件分析的字符串分析：将二进制文本转化为可辩护的假设 — 感知出现次数的提取、保守分类、IOC 验证、交叉引用和 AIDebug 字符串情报。
• 恶意软件分析的 PE 文件结构：实用指南 — 使用 AIDebug 的 PE 布局、加载器行为、头部、节、导入、导出、资源、重定位、TLS、缓解、签名、覆盖层和 .NET 元数据。
• 恶意软件分析的汇编：实用 x86/x64 指南 — 寄存器、标志、调用约定、控制流、Windows API 和动手 AIDebug 学习案例。
• 能解释它所看到的每个函数的 AI 驱动恶意软件调试器 — 本地保留的原始 AIDebug 项目演练。

学习模式

打开完整目录或从特定案例开始：

aidebug --learn
aidebug --learn mov-load
aidebug --learn lea-arithmetic
aidebug --learn switch-dispatch

每个捆绑案例都是 learning/cases/ 下的独立文件。 AIDebug 将选定的案例编译为临时 x86-64 ELF，显示确切的 C 源代码和编译器生成的指令，向 Ghidra 请求独立的 重建，记录构建来源，并删除临时产物。 生成的教学二进制文件绝不会被执行。

使用 --no-tui 获取文本输出，或加载已审阅的外部集合：