2nd/10_Wiki/Topics/Binary-Author-Identification.md

---

id: P-Reinforce-AUTO-BAID-001 category: Unified 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

📌 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, Representation-Learning, Security, Source-Control, Feature-Engineering
• Key Researchers: Aylin Caliskan, Arvind Narayanan.

---