AI 自动化逆向（二十）闭环验证：怎么证明 AI 的结论说的是正在跑的程序
本文是「AI 自动化逆向」系列第 20 篇。上一篇：让 AI 长周期跑一个项目：上下文与文档怎么组织；下一篇预告：同义反复的度量：AI 最容易糊弄你的地方。
前言
上一篇把文档体系撑了起来。这一篇回答一个更根本的质询，它悬在每一页静态结论的头上：
AI 写了几百页结论——它们说的是磁盘上那个文件，还是"正在跑的那个程序"？
这不是哲学问题，是工程问题。静态和运行之间隔着一整个"装载"黑盒：重定位、换构建、各种保护层。翻译表说自己映射的是运行时地址——凭什么？
（同前几篇：文中"AI"指执行分析的模型，"我"指设定目标、审结果的人；内容均已脱敏。）
一、"说的是正在跑的程序"要靠什么站出来作证
静态结论如果只和"磁盘上的字节"对得上，可能错在三种地方：
- 表本身就错：地址身份不对——它映射的偏移从一开始就是错的；
- 表对，但那段代码从没被执行：静态世界里存在一个函数，不等于运行时真的走过它；
- 跑的根本是另一个构建：文件是 A 构建、进程里是 B 构建，"同一份程序"这个默认前提就塌了。
三种病对应三种证词。项目里最后凑齐的是一套闭环验证：让静态结论对运行中的程序做出可逐字节检验的预测，再让它去兑现。三层闭环，一层比一层硬。
二、过程：三层闭环
闭环 1：调用点计数——把"地址身份"变成两侧的对账（只读、全量）
第一层是个漂亮的交叉验证，而且一个字节都不用写：
若某个函数"运行态地址 = 文件态地址 + 偏移"，那么每一条指向它的直接调用都必须在装载时被重新编码。于是——两侧对"指向它的调用"的清点，必须相等。
这个清点强在哪？两个计数取自两段完全不同的字节流（文件里的一个区、运行内存里的另一个区），而"运行态地址"本身来自第三条独立的测量（不是这两个计数算出来的）。所以三个来源两两独立——偏移若错，运行侧的计数会直接指向别处，掉到零。
结果：107 个可翻译函数里，102 个计数完全相等；把"文件侧也要有调用"作为强检验档，94.5% 通过。更妙的是那 5 个不匹配：它们全部落在**早就标着"待查"**的行里——而且和"运行构建比文件构建多了几百字节（同一工程的另一个构建）"完全相容。不匹配没有动摇模型，反而给"这是另一个构建"提供了旁证。
为什么这一层比"抓现行"式的验证更有力：一次覆盖全部；证明的恰好是表唯一宣称的东西（地址身份）；全程只读。
闭环 2：注入式打点——把"确实执行"变成命中（写操作、全还原）
第二层解决"表对但没被执行"：让它当场跑一次给你看。
方法是把选中函数的入口改成跳到一个观察桩：桩里累加一个计数器、把调用者的返回地址记进一个滚动环——然后外部只读轮询。写操作遵守上一篇的全部纪律：原字节先存好、结束时无条件写回、逐处核验。
结果：一个函数在观察窗里拿到22 次命中、抓到2 个调用者——两轮独立复现，完全一致。（顺带看到了路径形态：命中成对出现、间隔约 1 秒、成对之间约 25 秒——一条"周期性"路径的指纹。）
这一层里有个值得单独标出的动作：布点前，同一条前提在运行态又验了一次——正是这第二次校验，抓到一个"文件侧形态与运行侧不符"的条目（后来查清：它的入口多了一层"准备桩"，第 13 篇讲过）。如果只在文件侧验过就直接照抄，就会改到一个语义不同的入口。
闭环 3：返回地址反查——让动态对静态做一个"会被打脸的预测"
第三层最干脆，也是全篇的题眼。
一条返回地址 R，在物理上意味着：R 减 5 个字节处，必须恰好有一条"调用"指令，而且它的目标必须正是那个函数。——这不是叙述，这是一个可以被逐字节检验的预测：预测得越具体，被打脸的成本越低。差一个字节，就是 MISMATCH。
兑现情况：两个返回地址翻回去，两条调用指令全部 MATCH、零 MISMATCH；而且这两个调用点，本来就在静态扫描出的七百多个调用点的集合里——动态抓到的，和静态列出的，是同一批。
这就是"闭环"两个字的实际含义：动态做出预测，静态逐字节兑付。两头对上的那一刻，"这个结论说的是正在跑的程序"就不再是一句自辩。
三、判据与验证：四条
1. "跑的是不是同一个构建"是要测的命题，不是默认前提。静态结论的每一页，都该能回答"我说的是哪个镜像"。
2. 交叉验证的几条路必须真正独立。两个计数 + 一个独立测量的地址——三条血统查过，对账才算数（第 14 篇那把尺子，在这里量的是证据链）。
3. 要动态做的是"预测"，不是"见闻"。"我看到它跑了"只是见闻；“我预测 R-5 处有一条目标为 X 的调用，你去看”——这才是可被机器证伪的样板。
4. 同一条前提，每个镜像各验一次。文件侧验过，运行侧再验——第二次校验不是重复劳动，它是抓到反常的唯一机会。
（还有一条隐含的：观测手段的"侵入性"和"证据强度"不成正比。三只闭环里最硬、覆盖率最全的那层，是纯只读的。）
四、结论
"在跑的程序"和"文件里的程序"是两个东西。闭环验证的实质，是让静态结论在运行态兑现、让动态观测在静态里落位——两头各自独立，却必须严丝合缝。
一条通用的借鉴：给每条结论设计一个"会被打脸的预测"，然后看它敢不敢去兑现。兑现成功，结论升级；对不上，差的那个字节会告诉你错在哪一层。这比任何"我认为它是这样"的叙述都便宜、都硬。
五、边界声明
- 本文只讨论AI 自动化逆向中的判据设计与审核方法，不涉及任何具体产品、厂商或服务的分析结论。
- 文中所有地址、偏移、常量、字段名一律为占位符或示意值，
不代表任何真实目标中的取值；示例代码为说明判据而编写，不构成可运行的针对特定目标的工具。 - 文中提到的比例与数字均来自作者项目内的测量记录，仅用于说明方法失效的方式。
- 请勿将本文内容用于未授权的用途。
六、收尾
闭环讲的是"证明它对"。下一篇讲它的反面：一个"永远对"的度量——改完也不会红的断言、按构造就不可能失败的检查——也就是 AI 最容易糊弄你的那一手：同义反复。
下一篇计划聊：同义反复的度量：AI 最容易糊弄你的地方。
转载请注明出处：
https://lizhiyong.blog.csdn.net/article/details/169068923