固件是嵌入在物联网设备硬件中的特定软件系统，负责对设备特定硬件底层进行精准控制。作为物联网设备不可或缺的一部分，固件内嵌了嵌入式设备底层软件、文件系统及其应用，肩负着硬件初始化、内核加载等重要职责。对固件发起的攻击往往能够直接损害硬件及应用软件的完整性与功能性。固件通常涵盖了操作系统、文件系统、用户程序等多个关键组件，有时固件自身就是一个完整的可执行程序。
比如说程序表示技术这一步将二进制代码以中间语言或汇编等形式表示。无论是对于无操作系统的固件或是待分析的目标服务程序, 均需将二进制转换成汇编代码。有时为了屏蔽汇编指令格式的差异性, 需进一步转化为统一的中间语言。此外, 还需提取出程序的控制流、函数调用、字串常量信息等信息。
3.简单介绍一下Gemini？
Xu等人使用监督学习技术和深度神经网络来生成嵌入表示，这种嵌入能够在数据集中学习到一些相似性的概念。他们所提出的方法称为Gemini，它依赖于神经网络，并结合structure2vec来计算图形嵌入。为了确保模型的精确度，他们采用了暹罗网络对模型进行端到端的训练。与Genius相比，Gemini不依赖于成本高昂的图匹配过程，这使得其训练速度大幅提升(以小时为单位计算)。此外，Gemini的嵌入函数由神经网络构成，这使得它能够迅速适应新数据或相似图形定义的变化，并重新进行训练。更加重要的是，Gemini在相同数据集上给出的结果更为精确，并且在计算图形嵌入的速度上，Gemini更是Genius的380倍以上，展现了极高的效率。第一步将二进制代码转换为ACFG提取出固件的原始特征，第二步构建Siamese结构的Structure2Vec网络，也就是两个连体的、使用相同参数的Structure2Vec网络，第三步在网络迭代的过程中，对两个Structure2Vec网络分别输入ACFG g1、g2，网络分别聚合g1、g2各个顶点与边的信息，生成两个嵌入μ1、μ2第四步，使用某种度量，如μ1、μ2的余弦距离，来评价g1、g2的相似度。
同时该方法采用训练一个适用于大多数常见的任务模型，每个函数生成的嵌入应该尝试跨不同构架体系结构和编译器捕获函数的不变特征，由默认的oracle确定，如果两个二进制函数是从相同的源代码编译而来的则相似，其他则不相似。对g分别采用一个相似函数gi和一个不相似函数g2，构造两个训练样本<g，g1，+1><g，g2，-1>。再针对特定的任务提供附加数据<f，f1，Π(f，f1)>，对图嵌入网络中学习得到的参数进行微调，<gi，gi1>和Π(gi，gi1)生成额外的ACFG来重新训练图嵌入网络Φ(g)，得到任务特定模型，通过反馈和微调来提高准确度。
