RE Toolkit nâng cao (5/5): AI đọc mã máy — LLM4Decompile, Gepetto, ReVa và Decompiler Explorer
Tóm tắt
LLM giúp đặt tên, giải thích hàm và viết script khi reverse, nhưng tự tin cả khi sai: mô hình decompile tốt nhất của LLM4Decompile vẫn sai khoảng một phần ba số hàm. Dùng Gepetto (IDA), ReVa (Ghidra) để tăng tốc, Decompiler Explorer và chạy thử để kiểm chứng, và chọn mô hình cục bộ khi binary nhạy cảm.
Mục lục
Mở một hàm đã strip trong Ghidra, bạn thường gặp một bức tường FUN_00401a30, local_28, uVar3. Đọc hiểu nó tốn hàng giờ. Đây chính là chỗ mô hình ngôn ngữ lớn (LLM) giúp được nhiều nhất: đặt tên biến, giải thích hàm, viết script. Nhưng LLM cũng là nguồn sai lầm nguy hiểm nhất trong reverse engineering, vì nó trả lời rất tự tin kể cả khi sai.
Bài cuối của loạt RE Toolkit nâng cao giới thiệu bốn dự án theo bốn cách dùng AI khác nhau. LLM4Decompile là mô hình mở chuyên decompile. Gepetto là plugin IDA hỏi LLM ngay trong cửa sổ pseudocode. ReVa cho agent làm việc trực tiếp với Ghidra. Decompiler Explorer giúp đối chiếu kết quả. Trọng tâm của bài là một quy trình tin nhưng kiểm chứng.
AI giỏi gì, dễ sai ở đâu?
| Việc | AI thường làm tốt | AI dễ “bịa” |
|---|---|---|
| Đặt tên | Biến vòng lặp, buffer, tham số rõ vai trò | Tên hàm “nghe hợp lý” như decrypt_config cho một hàm chỉ tính checksum |
| Giải thích hàm | Tóm tắt luồng điều khiển, nhận ra mẫu quen (parse chuỗi, cấp phát, xử lý lỗi) | Đoán thuật toán từ một hằng số, bỏ qua nhánh hiếm nhưng quan trọng |
| Kiểu dữ liệu | Gợi ý struct từ các offset lặp lại | Gán sai offset, sai kích thước trường khi code đã tối ưu O2/O3 |
| Viết script | Script Ghidra/IDAPython, hook Frida, breakpoint GDB để kiểm tra giả thuyết | Gọi API không tồn tại trong phiên bản công cụ bạn dùng |
Quy tắc chung: AI tăng tốc đọc, nhưng mọi kết luận ảnh hưởng tới quyết định phải có bằng chứng trong binary hoặc từ lần chạy thật.
LLM4Decompile: mô hình mở chuyên decompile
LLM4Decompile là bộ mô hình mã nguồn mở được huấn luyện riêng cho việc dịch ngược. Theo README, phiên bản hiện tại hỗ trợ binary Linux x86_64 do GCC biên dịch ở mức O0 đến O3, và sinh ra mã C. Dự án có hai nhánh:
- LLM4Decompile-End: nhận assembly (lấy bằng
objdump) và sinh thẳng mã C. - LLM4Decompile-Ref (V2): nhận pseudocode của Ghidra và “làm sạch” thành mã C dễ đọc hơn.
Thước đo nhóm tác giả dùng là re-executability: mã C sinh ra có biên dịch và vượt qua bộ test của hàm gốc hay không. Bảng trong README báo khoảng 45% với mô hình 6.7B V1.5 và khoảng 65% với mô hình 9B V2. Nói cách khác, ngay cả mô hình tốt nhất vẫn có khoảng một phần ba số hàm cho ra mã trông đúng nhưng chạy sai. Công trình được trình bày tại hội nghị EMNLP 2024. Năm 2025 nhóm phát hành thêm SK²Decompile, chia việc thành hai pha: khôi phục cấu trúc trước, đặt tên sau.
git clone https://github.com/albertan017/LLM4Decompile.git
cd LLM4Decompile
conda create -n 'llm4decompile' python=3.9 -y
conda activate llm4decompile
pip install -r requirements.txt
# Mô hình tải từ Hugging Face (LLM4Binary/...), chạy cục bộ trên GPU
Lưu ý: mô hình làm việc ở mức từng hàm và giới hạn kiến trúc. Binary ARM, MIPS, Windows PE hay code bị làm rối (obfuscate) nằm ngoài phạm vi đã đánh giá. Ưu điểm lớn là chạy hoàn toàn cục bộ, phù hợp với binary nhạy cảm.

Gepetto: hỏi LLM ngay trong IDA Pro
Gepetto là plugin cho IDA Pro 7.6 trở lên. Nó cần decompiler Hex-Rays, vì nó gửi pseudocode của hàm đang mở cho LLM. Ba thao tác chính có phím tắt riêng: giải thích hàm (Ctrl+Alt+G), thêm comment (Ctrl+Alt+K), đặt lại tên biến (Ctrl+Alt+R). Tác giả nhận xét rằng hỏi giải thích trước rồi mới đổi tên thường cho kết quả tốt hơn.
pip install ida-hcli
hcli plugin install gepetto
# API key đặt trong ~/.idapro/cfg/gepetto/config.ini (macOS/Linux)
Điểm mạnh là danh sách nhà cung cấp rộng: Anthropic, OpenAI, Google Gemini, Azure OpenAI, Groq, Together, Novita, Kluster.ai, và đặc biệt là Ollama và LM Studio để chạy mô hình cục bộ. Bạn còn có thể thêm provider riêng bằng một file Python, ví dụ endpoint tương thích OpenAI trong mạng nội bộ công ty. README cảnh báo rằng các file provider này chạy code Python tuỳ ý khi IDA khởi động, nên chỉ cài thứ bạn tin. README cũng nhắc rằng mọi mô hình đều có thể sai và người dùng phải luôn hoài nghi kết quả.
ReVa: agent làm việc với cả project Ghidra
Bài RE Toolkit (1/5) đã giới thiệu GhidraMCP và IDA MCP. ReVa cũng là MCP server cho Ghidra, nhưng khác ở cách thiết kế công cụ. Thay vì đổ cả hàm decompile vào ngữ cảnh, ReVa đưa cho mô hình nhiều công cụ nhỏ. Mỗi kết quả là một mẩu thông tin ngắn kèm namespace, cross-reference và gợi ý bước tiếp theo, nhằm giảm “context rot” và giảm bịa. Theo tác giả, cách này giúp ReVa xử lý được binary lớn, thậm chí cả image firmware.
- Assistant mode: chạy trong Ghidra đang mở, MCP qua HTTP ở cổng 8080.
- Headless mode: không cần giao diện, hợp với pipeline tự động. Project tạm nằm trong
.reva/projects/. - Plugin cho Claude Code: kèm skill dựng sẵn cho triage binary, phân tích sâu, phân tích mật mã và CTF.
# Assistant mode (Ghidra 12.0+ đã cài extension ReVa và đang mở project)
claude mcp add --scope user --transport http ReVa -- http://localhost:8080/mcp/message
# Headless mode
export GHIDRA_INSTALL_DIR=/path/to/ghidra
uv tool install reverse-engineering-assistant
claude mcp add --scope user ReVa -- mcp-reva
Gotcha: ReVa yêu cầu Ghidra 12.0 trở lên. Ghidra 12.2+ cần Java 25, bản trước đó cần Java 21, và phải tải đúng release cho đúng phiên bản Ghidra. ReVa mở quyền truy cập môi trường script PyGhidra. Mặc định nó chỉ nghe ở localhost, nhưng nếu mở ra mạng thì phải bật API key hoặc tắt công cụ script. README có gợi ý cho phép mọi công cụ ReVa chạy không cần hỏi. Khi phân tích mẫu lạ, đừng làm vậy ngoài một máy ảo cô lập.

Decompiler Explorer: “trọng tài” miễn phí
Decompiler Explorer (dogbolt.org) giống Compiler Explorer nhưng theo chiều ngược lại. Bạn tải lên một file thực thi nhỏ và xem output của nhiều decompiler đặt cạnh nhau. Danh sách decompiler mà dịch vụ ghi nhận gồm Hex-Rays, Ghidra, Binary Ninja, angr, RetDec, Reko, dewolf, rev.ng và một số công cụ cũ hơn. Khi AI khẳng định một hàm làm X, hãy xem các decompiler có đồng ý về cấu trúc điều khiển và hằng số hay không. Chỗ chúng bất đồng thường là chỗ AI dễ đoán sai nhất.
dogbolt.org là dịch vụ công khai, nên file bạn tải lên sẽ đi tới máy chủ bên thứ ba. Với binary của khách hàng, hãy tự dựng bản riêng bằng Docker theo repo chính thức (khoảng 2,7 nghìn sao, MIT):
pipenv install
python scripts/dce.py init
python scripts/dce.py build # dựng các decompiler bạn có quyền dùng
python scripts/dce.py start
Quy trình tin nhưng kiểm chứng
- Decompile trước, hỏi AI sau: để Ghidra/IDA phân tích xong, tự đặt tên những gì đã chắc chắn (hàm thư viện, string rõ nghĩa).
- Hỏi theo từng hàm, kèm ngữ cảnh: gửi hàm cùng các hàm gọi nó. Yêu cầu AI nêu bằng chứng cho từng tên đề xuất (string nào, hằng số nào, lời gọi nào).
- Đánh dấu tên do AI đặt: một quy ước hữu ích là thêm tiền tố như
ai_cho tới khi kiểm chứng xong, để cả nhóm biết tên nào chưa chắc. - Kiểm chứng: đối chiếu hàm nhỏ trên Decompiler Explorer. Nhờ chính AI viết hook Frida hoặc breakpoint GDB để quan sát input/output thật (xem bài phân tích động).
- Ghi lại: bỏ tiền tố khi đã có bằng chứng, ghi chú nguồn bằng chứng trong comment.
Rủi ro, bảo mật và pháp lý
- Lộ dữ liệu: gửi pseudocode lên LLM đám mây cũng là gửi logic, string và đôi khi khoá bí mật nằm trong binary. Với hợp đồng NDA, dùng mô hình cục bộ (Ollama, LM Studio qua Gepetto, LLM4Decompile) hoặc endpoint nội bộ.
- Prompt injection từ mẫu độc: string trong binary có thể được viết ra để “ra lệnh” cho AI đang phân tích nó. Không cho agent quyền shell hay quyền mạng khi làm việc với mẫu lạ.
- Kỳ vọng thực tế: AI không “sao chép mọi phần mềm”. Xem phân tích ở bài về REA.
- Pháp lý: chỉ phân tích phần mềm của bạn, phần mềm được ủy quyền, hoặc trong phạm vi luật cho phép (tương thích, nghiên cứu bảo mật). Đọc kỹ điều khoản cấp phép của phần mềm và của nhà cung cấp LLM.
Áp dụng thế nào?
- Dev: bắt đầu với một binary tự biên dịch có mã nguồn để so sánh. Cho AI đặt tên rồi tự chấm xem bao nhiêu tên đúng. Bạn sẽ nhanh chóng biết nên tin AI ở đâu.
- Tech Lead: chuẩn hoá một máy ảo phân tích (Ghidra + ReVa hoặc IDA + Gepetto), quy định mô hình nào được dùng cho loại dữ liệu nào, áp dụng quy ước tiền tố
ai_và bước kiểm chứng bắt buộc trong review. - PM: AI rút ngắn đáng kể giai đoạn đọc hiểu, nhưng tính thời gian cho bước kiểm chứng. Xin phê duyệt pháp lý và bảo mật trước khi gửi binary của khách hàng ra dịch vụ bên ngoài.
Loạt bài RE Toolkit nâng cao
- Dịch ngược Java và Python: Recaf, Vineflower, pyinstxtractor
- Giả lập và instrumentation: Unicorn, Qiling, Speakeasy, DynamoRIO
- Dựng phòng lab phân tích malware: FLARE-VM, REMnux, CAPEv2, PE-sieve
- radare2, Rizin và tự động hoá với r2pipe
- AI đọc mã máy: LLM4Decompile, Gepetto, ReVa, Decompiler Explorer (bài này)
Mới bắt đầu? Đọc loạt Reverse Engineering cơ bản và loạt RE Toolkit trước.
Nguồn & tham khảo
- LLM4Decompile: Reverse Engineering — Decompiling Binary Code with Large Language Models — albertan017 (GitHub)
- Gepetto — JusticeRage (GitHub)
- ReVa — Reverse Engineering Assistant — cyberkaida (GitHub)
- Decompiler Explorer — decompiler-explorer (GitHub)
- Decompiler Explorer (dogbolt.org) — decompilers API — dogbolt.org