新闻详情

新闻详情

首页 / 资讯中心 / 详情

免费逆向分析框架 Ghidra:从导入第一个 .exe 到看懂一条恶意代码的完整路径

发布时间:2026/11/3 2:47:11来源:尧图网络
免费逆向分析框架 Ghidra:从导入第一个 .exe 到看懂一条恶意代码的完整路径
免费逆向分析框架 Ghidra从导入第一个 .exe 到看懂一条恶意代码的完整路径【免费下载链接】ghidraGhidra is a software reverse engineering (SRE) framework项目地址: https://gitcode.com/GitHub_Trending/gh/ghidra凌晨两点你在案头放了一个来路不明的 Windows 样本没人告诉它干了什么。你把文件拖进 Ghidra——这个由 NSA 开源的软件逆向工程框架——它自动识别 PE 格式、定位入口点、把机器码翻成汇编顺手把函数调用关系画给你看。反编译、XREF 交叉引用、控制流图、调试器全是免费带走的。这篇分享就讲一件事怎么把它用顺手。第一次打开它的样子解压、导入、看第一屏反汇编Ghidra 是纯 Java 写的解压后跑ghidraRun就行不需要装数据库或编译器。第一次启动会问你创建还是打开项目我们新建一个本地项目然后把样本从 File → Import File 拖进去。导入对话框会让你选语言一般选 Import as Single Image语言留空它自己猜x86、ARM、MIPS 这些都能认。接下来它会自动分析识别入口点、识别函数边界、恢复字符串引用。这个过程别打断大二进制要跑几分钟很正常。自动分析跑完中间的反汇编列表左边是原始字节比如4d 5a 90右边是对应的 MOV、POP 指令Ghidra 已经给局部变量起了local_24这种名字。右边那个 XREF 面板是最值钱的光标停在任意变量或地址上它能列出所有引用这个位置的地方。上图里的箭头是自动分析算出来的实线是无条件跳转虚线是 JZ 这类条件跳转。看一张函数的时候我一般先不读指令先看箭头——入口在哪、回跳形成循环、出口从哪走结构清楚了再逐条啃。它到底能干什么干不了什么按你遇到的问题分Ghidra 真正擅长三件事。看不懂这段代码在干嘛除了汇编它内置 decompiler基于 SLEIGH对 x86/x64、ARM 这类主流架构能直接出 C 风格伪代码变量类型自动推断。绝大多数分析时间其实是花在伪代码窗口里的。变量被谁改了、谁又用了它XREF 面板把定义-引用关系整理好配合操作数高亮鼠标悬停所有相关位置变黄追踪一个密钥在函数间怎么传递不用再人肉 grep 十六进制地址。两个版本差异在哪ProgramDiff 插件可以直接对比两个程序函数级的差异一目了然做补丁分析特别顺手。它不擅长的也要说清楚。第一反编译质量依赖语言定义冷门架构或者重度混淆的 OLLVM 样本伪代码可能乱得没法看得回汇编层手动标类型。第二它是静态分析为主——动态调试虽然带Ghidra/Debug/ 下有 debugger对接 GDB、LlDB 等但远程附加、断点调试的体验和 GDB 本身比还是糙重度动态活我一般 Ghidra 看代码 GDB 跑行为两边对照。一条完整的实战工作流分析一个可疑 Windows 样本拿一个真实的恶意样本复盘。导入后先别急着进函数。我第一步是看 String 列表Window → Program Trees → Strings样本里带http://、C:\、reg add这类字符串的八成是核心逻辑直接右键跳过去看引用它的代码。然后进那个可疑函数切到反编译视图。这时卡住很正常——全是local_28、FUN_00401234。我的处理顺序先看伪代码里的字符串常量给函数改名比如build_url再看它调用的FUN_xxx有没有 Windows API 特征用 Symbol Tables 对照把FUN_004015c0标成CreateProcess这类最后回到调用点数据流就清楚了。我上次卡了半小时的地方后来发现是 Ghidra 把 C 语言的sprintf调用参数没推对手动把参数类型一改伪代码立刻通顺。结论的落地用书签marker标关键位置右键 → Add Marker 写清楚这里外发数据到 C2 地址再顺手加个书签到字符串表里。最后导出analyzeHeadless命令行跑批量分析报告数据直接从工程库拉。这套流程换个场景也通用固件分析就是把固件解包出的 ELF 直接导入MIPS/ARM 的语言定义在仓库的处理器模块里都有现成的。让它变成你的样子脚本、扩展与处理器支持Ghidra 的扩展体系是三层。脚本仓库里 Ghidra/Features/Base/ghidra_scripts/ 下有两百多个示例Java 和 PythonJython都能写。SearchTextScript.java、ExportProgramScript.java这种改改参数就能用——比如给所有没注释的函数批量跑一遍某检查十分钟写完。插件Ghidra/Features/ 下每个目录就是一个功能模块——FunctionGraph 画控制流图、ProgramDiff 做二进制 diff、VersionTracking 做版本关联、PDB 解析 Windows 符号。要自己写插件看 Ghidra/ 里挑一个小的参考比如 FunctionID照着抄结构。处理器支持x86、ARM/AArch64、MIPS、PowerPC 这些语言定义都在仓库里新架构出现后官方会持续补。想深入某个架构的指令集定义看对应 processor 目录下的 SLEIGH 文件就行。开发环境本身也友好GPL/ 下有 GPL 模块GNU 反汇编器、反编译器DevGuide.md 是开发者指南Ghidra/Configurations/Public_Release/管发布配置。新手最容易踩的 3 个坑自动分析没跑完就开翻。进度条还在动的时候函数识别是不完整的你看到的缺失函数可能只是没分析到。等它停或者看 Window → AutoAnalysis 看进度这是第一条纪律。项目文件当垃圾文件放。.gpr/.gprj这几个文件就是你全部分析成果——改名、注释、类型定义全在里面。我一般分析到一半就打包备份一次丢了重来真的一晚上。静态和动态的时机搞反。上来就附加调试器样本一看就知道是沙箱逃逸检测直接不执行了。反过来纯静态死磕一段加壳代码也是浪费时间。先静态摸清行为和字符串确定要观测的点再上调试器验证顺序别反。接下来怎么走想动手的话三件具体的事先用analyzeHeadless命令行跑一个自己机器上的小 C 程序编译出的 ELF感受自动分析的边界再读一遍 DevGuide.md 里关于扩展开发的章节知道插件长什么样遇到具体问题去官方论坛搜Ghidra 用户群很活跃大部分坑都有人踩过。处理器支持、SLEIGH 语法这类进阶内容仓库里对应的模块自带 README比任何二手教程都新。【免费下载链接】ghidraGhidra is a software reverse engineering (SRE) framework项目地址: https://gitcode.com/GitHub_Trending/gh/ghidra创作声明:本文部分内容由AI辅助生成(AIGC),仅供参考
网站建设高端定制企业官网
RELATED

相关资讯

更多精彩内容,欢迎继续阅读

较早相关资讯

最新相关资讯

【外设】之大彩串口显示屏 2026/11/2 5:53:33

【外设】之大彩串口显示屏

大彩串口屏初步使用 1 .官网下载 STM32 屏幕 GUI 设计资料 http://www.gz-dc.com/category/typeid/4112 找到 STM32 Keil 工程,移植相关代码因项目而异进行移植,由于项目简单,本人只对用到的指令接口进行修改。 比如:注意事项&…

阅读更多 →
无法下载Windows系统iso文件 2026/11/2 5:53:30

无法下载Windows系统iso文件

当我遇到这个问题的时候,我打开了一个网站: 登录 然后我打算下载的时候: 突然那个官方的连接就可以下载了:

阅读更多 →
【清华代码熊】DeepSeek V4.1 Flash 后训练详解 2026/11/2 5:53:30

【清华代码熊】DeepSeek V4.1 Flash 后训练详解

📌 上期解析了 DeepSeek V4.1 Flash 模型架构改进,本期解析 DeepSeek V4.1 Flash 预训练/后训练技术: 🌟 预训练:45T 文本 多模态混合语料、直接训练 sparse attention(取消 DeepSeek V4 的 dense 冷启动&…

阅读更多 →
Shuffle-R1: Efficient RL framework for Multimodal Large Language Models via Data-centric Dynamic ... 2026/11/2 5:53:28

Shuffle-R1: Efficient RL framework for Multimodal Large Language Models via Data-centric Dynamic ...

文章主要内容和创新点 主要内容 本文聚焦于多模态大语言模型(MLLM)强化学习(RL)训练中的效率问题,提出了一个名为Shuffle-R1的框架。研究发现,当前RL训练存在两个关键缺陷: 优势值坍缩(Advantage Collapsing):批次中大多数优势值集中在零附近,导致有效梯度信号被淹…

阅读更多 →
PRvL: Quantifying the Capabilities and Risks of Large Language Models for PII Redaction 2026/11/2 5:53:27

PRvL: Quantifying the Capabilities and Risks of Large Language Models for PII Redaction

一、文章主要内容总结 本文聚焦于利用大型语言模型(LLMs)实现个人身份信息(PII)脱敏的研究,旨在解决传统脱敏方法(如基于规则的系统、领域特定命名实体识别(NER)模型)泛化能力差、跨格式/跨语境适应性弱的问题。 研究通过全面评估多种LLM架构(包括密集型LLM(D-LLM…

阅读更多 →
LLaVA-RE: Binary Image-Text Relevancy Evaluation with Multimodal Large Language Model 2026/11/2 5:53:27

LLaVA-RE: Binary Image-Text Relevancy Evaluation with Multimodal Large Language Model

文章主要内容和创新点 主要内容 本文聚焦于二进制图像-文本相关性评估任务(判断图像与文本“相关”或“不相关”),针对该任务中文本格式多样、相关性定义随场景变化等挑战,提出了基于多模态大语言模型(MLLM)的解决方案LLaVA-RE。 模型设计:LLaVA-RE基于LLaVA 1.5架构,…

阅读更多 →

今日资讯

本周资讯

本月资讯

看完文章仍有疑问?

联系尧图顾问,获取一对一建站咨询

立即免费咨询 📞 400-888-8888
📞 ✉