为什么重要
二进制函数相似性检测（BFSD）是软件安全领域的核心技术，支撑漏洞分析、恶意软件分类和补丁溯源等关键任务。然而现有数据集范围有限，通常只关注少量变换类型或特定二进制文件，无法反映真实应用的多样性。EXHIB 首次提供了覆盖固件、语义变化和混淆等多种真实场景的综合基准。
核心设计
EXHIB 包含 5 个从真实环境收集的数据集，每个突出 BFSD 问题空间的一个独特方面。关键创新在于按低/中/高二进制变化区间分解性能——这种分层分析能揭示模型在不同复杂度场景下的真实能力，而非被平均指标掩盖的泛化缺口。评估覆盖了 9 个代表性模型，涵盖多种 BFSD 技术范式。
关键发现
在固件和语义数据集上，现有模型表现出与标准设置相比高达 30% 的性能下降，揭示了显著的泛化差距。更关键的发现是：对低级和中级二进制变化的鲁棒性不能泛化到高级语义差异——这意味着在合成数据集上表现良好的模型，面对真实世界的复杂二进制变化时可能严重退化。