基于simhash与倒排索引的复用代码快速溯源方法

• Published in: 通信学报 Vol. 37; no. 11; pp. 104 - 113
• Main Authors: 乔延臣, 云晓春, 庹宇鹏, 张永铮
• Format: Journal Article
• Language: Chinese
• Published: 中国科学院研究生院，北京 100039 2016; 中国科学院信息工程研究所，北京 100093%中国科学院研究生院，北京 100039; 中国科学院计算技术研究所，北京 100080; 中国科学院信息工程研究所，北京 100093
• Subjects: 快速溯源; malware; network security; retrieval method; 复用代码; homology identification; 同源判定; reused code; 恶意代码; 网络安全
• ISSN: 1000-436X
• DOI: 10.11959/j.issn.1000-436x.2016225

TP393.08; 提出了一种新颖的复用代码精确快速溯源方法。该方法以函数为单位，基于simhash与倒排索引技术，能在海量代码中快速溯源相似函数。首先基于simhash利用海量样本构建具有三级倒排索引结构的代码库。对于待溯源函数，依据函数中代码块的simhash值快速发现相似代码块，继而倒排索引潜在相似函数，依据代码块跳转关系精确判定是否相似，并溯源至所在样本。实验结果表明，该方法在保证高准确率与召回率的前提下，基于代码库能快速识别样本中的编译器插入函数与复用函数。