Improving ML-based Binary Function Similarity Detection by Assessing and Deprioritizing CFG Features

下面为组会笔记

一.introduction 

model：需要对函数的语义特征进行分析 ->通过CFG对语义特征进行分析

problem: 

过度依赖CFG，导致了语义的丧失

questions:

1）控制流图的特征在ML- BFSD 任务里面到底起到一个什么角色。

2）识别语义过程中CFG改变对整个语句的理解有什么副作用

contributions:

1)CFG 特征的作用

2)提出一个验证器：能检验是否模型过度依赖CFG

3)引入解释性的方法解析确实过度依赖

4)提出方法$CFG(核心方法）

5)提出数据增强的方法

二.background

1.ML-BFSD solutions

2.Explanation methods 

引入：神经网络的不可解释性 （黑盒）未知：哪些参数和特征是重要的

本文：希望能解释CFG中特征的重要性->使用的可解释性方法叫临近近似（approximation-based approach)

三.methodology

M1---Explainer:为了理解CFG在BFSD中扮演的角色

the impa