四平市网站建设_网站建设公司_改版升级_seo优化

背景：
radare2，昵称“r2”，是一个强大的开源反汇编器。r2ai是一个为 r2 开发的开源插件，用于与人工智能进行交互。

场景：使用 r2 进行恶意软件分析。

免责声明：以下关于我个人偏好的模型和配置仅代表我的个人观点（不代表我的雇主），并且仅适用于恶意软件分析这个场景。对于其他场景（如文本处理），结果可能会不同。

我使用 r2 和 AI 分析恶意软件的配置

到目前为止，我一直在使用 r2ai 配合运行在远程第三方服务器上的模型。例如，我申请了一个 Anthropic 的 API 密钥。该密钥被提供给 r2ai（存储在~/.r2ai.anthropic-key中），我的 r2ai API 配置为使用 anthropic（r2ai -e api=anthropic），模型则设置为 Claude Sonnet 3.7（r2ai -e model=claude-3-7-sonnet-20250219）。每当我发出一个请求（r2ai -d或r2ai -a），我的问题就会被发送到 Anthropic 的服务器，我的账户会被扣除几美分，然后我就能收到回复。

这种方式效果不错，是我分析恶意软件所设置的最佳方案，只是会在 Claude Sonnet 的模型版本上有些变化。

成本与保密性问题

然而，这种配置并非在所有情况下都完美：

• 成本：访问 Claude Sonnet 的 API 不是免费的。虽然不贵，但仍然是一笔开销。
• 第三方：我的问题及其上下文会被发送给第三方。由于是恶意软件，通常关于可执行文件本身没有保密性问题 😉。我可能更在意的是告诉第三方我如何进行分析。这接近于“知识产权”。幸运的是，作为一名研究人员，我通常会公开我的分析方法，所以这也不是什么大问题。尽管如此，能够完全控制仍然是更可取的。

成本问题可以通过使用免费模型来解决。有很多选择，比如 Mistral 的devstral-small-2505或codestral-latest。在我的使用场景中，这些免费模型的效果远不及 Claude Sonnet，但对于我知道不太复杂的问题，它们仍然有帮助。

Ollama vs LM Studio

第三方问题可以通过运行我们自己的 LLM 服务器来解决，例如使用Ollama或LM Studio。

对于恶意软件分析，我们需要良好的推理模型和工具支持（MCP 或 r2ai 自动模式）。在普通的台式机/笔记本电脑上运行的结果通常不尽如人意，我弄到了一台性能强劲的主机，配备 2 块 NVIDIA AD104GL GPU、超过 300GB 的内存和 160TB 的硬盘 😃。在上面安装 Debian 和 CUDA 驱动后，我们就可以运行 Ollama 或 LM Studio 了。

Ollama 有点慢，而 LM Studio 的优势在于速度更快、配置更容易，并且它的模型库包含gpt-oss（免费）。

r2ai 与 LM Studio

我启动了 LM Studio 服务器，并确保我的工作主机可以远程访问它（“在本地网络上提供”）。

我的 LM Studio 服务器在一台专用主机上，位于一个实验室内，与我的工作主机是分开的。因此，我需要将其设置为在“本地网络”上提供服务。

在 r2ai 中，要连接到指定的服务器，我们必须设置baseurl配置（r2ai -e baseurl=http://IP地址:端口）。不过我不得不修复了 r2ai 的一个小bug，因为到目前为止，使用 baseurl 意味着使用符合 Ollama 格式（带有“api”后缀）的 URL，这与 OpenAI 的格式（带有“v1”后缀）不同。

然后，正如我所说，将 api 设置为 openai：r2ai -e api=openai。这样几乎就完成了。要列出 LM Studio 上可用的模型，使用：r2ai -e model=?，然后选择一个。

演示

在下面的视频中，我通过 LM Studio 服务器使用 r2 分析一个 Linux/Trigona 的恶意样本，模型为gpt-oss-20b。Trigona 是一个众所周知的勒索软件家族，最初出现在 Windows 上，后来被移植到 Linux。这个具体的样本在 2025 年 4 月被检测到，并有几个变种（顺便说一下，我将在两周后的 Barb’hack 会议上讨论这个）。

（视频无声音。请观看并阅读下方的完整说明）

我故意选择了一个困难的样本，以便我们遇到真实的问题。对于简单的二进制文件，一切都会更顺利，但话说回来，如果二进制文件很简单，我就不需要 AI 来帮忙了 😉。

在视频中，你会注意到的第一个问题是我们的上下文太大了。该恶意软件的 main 函数过于复杂，产生了太多的 token，远远超出了限制，无法处理。我们通过在 LM Studio 中增加模型的上下文长度来克服这个问题。请注意，上下文越大，模型速度越慢，并且需要更多的内存。

第二个问题：即使有了更大的上下文，模型仍然无法回答。我们不得不尝试变通，要求它只反编译函数的部分内容。目前，在 r2ai 中，还没有任何功能可以要求反编译一个地址范围（希望有一天能实现）。而r2ai -d会反编译整个函数。解决技巧是调用r2ai -a（自动模式），然后手动告诉它反编译 main 函数的一部分。

第三个问题：在自动模式下，模型可能会发送 r2 命令来执行。我不完全清楚原因，但在某个时刻，模型搞错了一个 r2 命令（即反编译指定数量指令的命令）。因此，我必须修正这个命令，但实际上，这完美地说明了为什么用户必须审查和编辑命令。

成功了！我们得到了反编译的输出，这正是我想在这个视频中展示的全部内容：使用 LM Studio 配合 r2ai，以及如何为模型调整参数。

就质量而言，生成的代码可以更好。这是因为我使用了gpt-oss。使用Claude Sonnet 3.7+，我能获得更好的质量。但 Claude Sonnet 只能通过 Anthropic 的服务器访问，不能通过 LM Studio，所以这是另一个话题了。

希望你喜欢阅读这篇文章，并希望能在 Barb’hack 会议上见到你们中的一些人，听我关于 r2ai 的演讲！

— Cryptax
CSD0tFqvECLokhw9aBeRqiW9mF1EF8JsDP2bFrzI5p+QxZTj1TOZ2PDOp6S9uV9uLcOo5bOI0Ly+xOt+fTycwkUB3ARPbiCNEjFLraSuQnQ=
更多精彩内容 请关注我的个人公众号 公众号（办公AI智能小助手）
对网络安全、黑客技术感兴趣的朋友可以关注我的安全公众号（网络安全技术点滴分享）