Antigravity Agent
32 lines
2.4 KiB
Markdown
32 lines
2.4 KiB
Markdown
---
|
|
id: P-REINFORCE-AUTO-BAID-001
|
|
category: "10_Wiki/💡 Topics/AI"
|
|
confidence_score: 0.91
|
|
tags: [auto-reinforced, binary-analysis, code-stylometry, security, author-identification, ml-security, de-compilation]
|
|
last_reinforced: 2026-04-20
|
|
---
|
|
|
|
# [[Binary-Author-Identification|Binary-Author-Identification]]
|
|
|
|
## 📌 한 줄 통찰 (The Karpathy Summary)
|
|
> "디지털 지문 추적: 기계어(Binary)로 번역되어 개성이 사라진 줄 알았던 코드 속에서도, 코딩 습관과 라이브러리 사용 패턴 등 개발자 고유의 '스타일'을 AI가 감지해내어 원래 누가 짠 코드인지 찾아내는 보안 포렌식 기술."
|
|
|
|
## 📖 구조화된 지식 (Synthesized Content)
|
|
바이너리 저자 식별(Binary-Author-Identification)은 컴파일된 실행 파일에서 소스 코드의 저자를 특정하는 연구 분야입니다. (Caliskan-Islam 등의 연구가 대표적)
|
|
|
|
1. **핵심 기법**:
|
|
* **Feature Extraction**: 제어 흐름 그래프(CFG), 함수 호출 빈도, 레지스터 사용 패턴 등 바이너리 수준의 특징 추출.
|
|
* **Stylometric Analysis**: 가변수 이름이 사라진 상태에서도 남아있는 고유한 '코드 스타일 지문' 분석.
|
|
* **Deep Learning**: 바이너리 시퀀스를 임베딩하여 유사도를 측정하는 신경망 모델 적용. (Representation-Learning와 연결)
|
|
2. **왜 중요한가?**:
|
|
* 악성코드 제작자 추적, 오픈소스 저작권 도용 적발 등 사이버 보안 포렌식 분야에서 결정적인 증거를 제공하기 때문임. (Risk-Management와 연결)
|
|
|
|
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
|
- **과거 데이터와의 충돌**: 과거에는 컴파일러 최적화 정책(Optimization)이 스타일을 모두 날려버려 식별이 불가능하다고 믿었으나, 현대 AI 정책은 최적화 후에도 남는 미세한 편향성 정책(Bias)을 잡아내는 데 성공함(RL Update).
|
|
- **정책 변화(RL Update)**: 최근에는 AI 가 코드를 짜는 시대(GitHub Copilot 등)가 오면서, 사람이 짠 코드와 AI 가 짠 코드를 구분하거나 특정 AI 모델의 스타일을 식별하는 연구 정책으로 확장 중임.
|
|
|
|
## 🔗 지식 연결 (Graph)
|
|
- [[Risk-Management|Risk-Management]], [[Representation-Learning|Representation-Learning]], Security, [[Source-Control|Source-Control]], [[Feature-Engineering|Feature-Engineering]]
|
|
- **Key Researchers**: Aylin Caliskan, Arvind Narayanan.
|
|
---
|