使用调试信息反编译C代码？

Question

相对于由C/C++编译器生成的机器码，Java和Python字节码相对容易反编译。

我找不到令人信服的答案，为什么-g选项中的信息对于反编译来说是不足够的，但对于调试却足够了呢？ Python/Java字节码中包含的额外信息是什么，使得反编译变得容易？

- Saswat Padhi

---

答案最适合于Stack Exchange网络的Area51反向工程。 - Koushik Shetty

@Koushik：那个网站才五天，看起来是私人测试版。 - NPE

@NPE 哦，完全忘记了...希望公共测试版很快开始。 - Koushik Shetty

http://en.wikipedia.org/wiki/Interactive_Disassembler - ta.speot.is

Answer 1

以下是原因：

1. Java和Python的字节码相对简单且高级，而某些CPU的指令集（如x86）非常复杂。
2. 字节码紧密模拟了设计它们的语言结构。
3. 在生成字节码时，Java和Python几乎不执行任何优化操作。这导致字节码与原始源代码的结构非常接近。而一个优秀的C或C++编译器可以生成远离原始源代码的汇编代码。
4. Java和Python编译器较少，而C和C++编译器较多。如果你针对单个已知编译器（或一小组已知编译器），那么就更容易制作高质量的反编译器。
5. 与C++相比，Python和Java是相对简单的语言（但此点不适用于C）。
6. C++模板会给高质量反编译带来许多挑战（此点也不适用于C）。
7. C/C++预处理器。
8. 在Python中，源文件与字节码文件之间存在一对一的关系。在Java中，关系是一对多的，一个源文件对应一个或多个字节码文件。而在C和C++中，关系是多对多的，在源前端存在大量重叠（如头文件）。

- NPE

---

我只想补充一点，-g选项只会给你标签名称，而没有它，二进制文件只包含绝对地址和偏移量。这有助于阅读反编译的汇编代码，但永远无法将其还原为C语言。 - c.fogelklou

@c.fogelklou: 什么是“反编译”汇编代码？难道它就是C语言吗？ - Saswat Padhi

我的意思是将一个二进制文件转换为文本...反编译可能不是正确的术语，但最终结果是将汇编代码包含在可读的文本格式中。 - c.fogelklou

@SaswatPadhi所谓“反编译”汇编代码未必是C语言的，也可为C++、D、B、Fortran等。即它取决于具体情况。 - Koushik Shetty

@Koushik：是的，它可以反编译成任何语言。但我只是坚持上下文。 - Saswat Padhi

Answer 2

我无法找到一个令人信服的答案，说明为什么来自-g选项的信息对于反编译是不足够的，但对于调试是足够的？

调试信息基本上只包含生成代码中地址和源文件行号之间的映射。调试器不需要反编译代码 - 它只会显示原始源代码。如果源文件丢失，调试器也不会神奇地显示它们。

话虽如此，调试信息的存在确实使得反编译更容易。如果调试信息包括所使用类型和函数原型的布局，则反编译器可以使用它，并提供更精确的反编译结果。然而，在许多情况下，它仍然可能与原始源代码不同。

例如，这里是一个使用Hex-Rays反编译器未使用调试信息反编译的函数：

int __stdcall sub_4050A0(int a1)
{
  int result; // eax@1

  result = a1;
  if ( *(_BYTE *)(a1 + 12) )
  {
    result = sub_404600(*(_DWORD *)a1);
    *(_BYTE *)(a1 + 12) = 0;
  }
  return result;
}

由于它不知道 a1 的类型，所以对其字段的访问被表示为加法和转换。

在符号文件加载后，以下是相同函数的内容：

void __thiscall mytree::write_page(mytree *this, PAGE *src)
{
  if ( src->isChanged )
  {
    cache::set_changed(this->cache, src->baseAddr);
    src->isChanged = 0;
  }
}

您可以看到它已经得到了很大的改进。

至于为什么反编译字节码通常更容易，除了NPE的答案之外，还要检查 这个。

- Igor Skochinsky

Answer 3

一些处理器（如x86）具有可变长度的指令。如果控制权传递到指令中间（即第一个字节之后的任何位置），那么这也可能是有效的指令（或多个指令）。这使得对机器码进行明确反汇编变得困难。C/C++代码可以利用此功能。

在某些处理器和操作系统上，可以将数据执行为代码，并将代码用作数据。这使得明确区分两者变得困难。而且，这正是C/C++程序经常可以轻松完成的。

在某些处理器和操作系统上，很容易动态生成代码并执行它，并且可以在运行时修改现有代码。这也导致了反编译代码的歧义。C/C++程序也经常可以做到这一点。

编辑：此外，一些CPU对于同一条指令可能有多种不同的编码方式。例如，x86 CPU有两个指令mov reg, reg/mem和mov reg/mem, reg。这些指令允许您在寄存器和内存位置之间（双向）以及在两个寄存器之间传输数据。这两个指令都可以用于在两个寄存器之间传输数据，但它们具有不同的编码方式。如果程序某种程度上依赖于特定的编码方式（例如，为了通过校验和验证其完整性），那么从反汇编中像mov eax, ebx这样的代码中，您将无法确定最初是哪一个mov指令，因此，如果您尝试重新组装反汇编代码，则可能会破坏程序。

您可以使用调试器来调试带有或不带有调试/符号信息的程序。这些信息只是使人类更容易浏览代码和数据，因为许多（但不一定全部）例程和变量可以使用它们的名称和类型进行识别和显示，而不仅仅是原始地址和原始类型数据。

我猜各种字节码更少歧义且更受限制，这就使得反编译更容易。

- Alexey Frunze

---

嗨，Alexey，感谢你的回答 :) 我的想法和你有些相似，字节码在它们自己的虚拟机上运行而不是实际的CPU上，因此它们相当受限制且明确无歧。 - Saswat Padhi

虽然你说的是对的，但我怀疑任何好的现代编译器都不会执行第一、二、三段中概述的任何操作。当然，这并不意味着它们不可能发生（尽管可能性较小）。 - NPE

@IgorSkochinsky 完全不同？怎么会呢？理论上，你可以在模棱两可的情况下提供反汇编作为注释，并将原始代码保留为字节序列。 - Alexey Frunze

@AlexeyFrunze：查看这个答案，了解反编译所需的一些常见步骤。只有第一个步骤与您所描述的有些相关。 - Igor Skochinsky

@IgorSkochinsky 当你处理机器码时，正确的反汇编是反编译的基础，而不是选项，也不是10个步骤中的第5步或其他任何东西。我不同意你对这个问题的处理方式。 - Alexey Frunze