[原创]把 OpenHarmony 逆向工程接入 LLM-AI 工具与工作流-看雪安全社区

# 把 OpenHarmony 逆向工程接入 LLM：ABCDE MCP 的设计与实现
项目连接:  <mark class="encrypted">065K9s2c8@1M7s2y4Q4x3@1q4Q4x3V1k6Q4x3V1k6Y4K9i4c8Z5N6h3u0Q4x3X3g2U0L8$3#2Q4x3V1k6#2x3K6y4H3K9#2)9J5c8X3q4T1j5#2)9J5k6r3#2U0M7l9`.`.</mark>
## 一、为什么要做这件事

OpenHarmony / HarmonyOS 应用采用 ArkCompiler 编译为方舟字节码（ABC，Ark ByteCode），打包为 `.hap` 格式。对于安全研究人员、逆向工程师和开发者来说，分析这些二进制文件需要理解 ABC 指令集（pandaASM）、控制流结构、类布局、资源索引等复杂知识，门槛较高。如果能让 LLM 直接读取 ABC 文件——就像读取文本文件一样——将大幅降低鸿蒙应用分析的门槛。这正是 **ABCDE MCP** 项目的初衷：在 ABCDE 核心库之上实现一个**完整的结构化反编译器**，打通从 pandaASM 到可读 JavaScript/TypeScript 的通路，并在此基础上封装一层 <a href="elink@e95K9s2c8@1M7s2y4Q4x3@1q4Q4x3V1k6Q4x3V1k6E0L8$3c8W2L8r3y4G2L8Y4c8W2P5s2c8H3M7X3!0@1L8$3y4G2L8q4)9J5k6h3W2G2i4K6u0r3">MCP 协议</a> 服务，把反编译能力转化为 LLM 可调用的工具集。

---

## 二、项目架构一览

项目采用 Kotlin Multiplatform 构建，核心模块分工如下：

| 模块 | 职责 |
|------|------|
| `modules/common` | 通用基础类型（LEByteBuf 等） |
| `modules/abcde` | ABC 字节码解析、反汇编、反编译、交叉引用索引 |
| `modules/resde` | 资源索引解析（新旧版 `resources.index` 兼容） |
| `modules/hapde` | HAP 包解析（`.hap` 自动提取 ABC） |
| `modules/mcp` | MCP 服务协议层，暴露 19 个 Tools |

反编译器内部架构借鉴了多个成熟开源项目的经验：

- **结构化分析**：移植自 <a href="elink@8cbK9s2c8@1M7s2y4Q4x3@1q4Q4x3V1k6Q4x3V1k6Y4K9i4c8Z5N6h3u0Q4x3X3g2U0L8$3#2Q4x3V1k6G2K9r3!0K6P5s2m8S2L8X3c8S2">xpanda</a>的 Cooper-Harvey-Kennedy 支配树算法、循环检测、控制流规约（Structuring by Reduction）
- **交叉引用索引**：借鉴 <a href="elink@361K9s2c8@1M7s2y4Q4x3@1q4Q4x3V1k6Q4x3V1k6Y4K9i4c8Z5N6h3u0Q4x3X3g2U0L8$3#2Q4x3V1k6K6K9%4W2D9L8%4c8Q4x3V1k6B7j5h3c8^5">jadx</a> 的 `UsageInfo` 设计思想，一次扫描全库建立反向索引
- **优化 Pass**：采用 LLVM 风格的 Pass 架构，包括代数化简、拷贝传播、死代码消除、重复字段读取消除等

---

## 三、核心特色：LLM 能做什么

### 3.1 结构化反编译，而非线性翻译

很多反编译工具只做"指令到语句"的线性翻译，输出类似汇编的伪代码。我们实现了完整的 **控制流结构化分析**（Control Flow Structuring）：

```
CFG 基本块 → 支配树 → 循环检测 → 控制流规约 → if / while / do-while / for-of / for-in
```

基于 `StructureAnalysis` 的规约算法，能够将任意 reducible CFG 逐步折叠为高级控制流结构。对于不可规约图（irreducible graph），通过**尾节点复制**（tail region duplication）进行修复，并设置了复制膨胀上限（`maxTailDuplicationFactor = 100`），避免输出指数级爆炸。

### 3.2 19 个 MCP Tools，覆盖逆向分析全链路

| 类别 | 工具 | 说明 |
|------|------|------|
| **ABC 基础** | `open_abc` / `list_classes` / `get_class_detail` | 打开文件、列类、看详情 |
| **反编译** | `decompile_class` / `decompile_method` / `reconstruct_class` | 反编译类/方法，重组 ArkTS class 语法 |
| **反汇编** | `disassemble_method` / `search_in_method` | 字节码级别搜索，不受输出上限限制 |
| **交叉引用** | `get_xrefs_to_method` / `get_xrefs_to_field` / `get_xrefs_to_class` / `get_class_hierarchy` | 谁调用了谁、谁 new 了谁、继承关系 |
| **字符串** | `search_strings` | 正则搜索字符串常量 |
| **HAP 包** | `open_hap` / `get_hap_manifest` / `get_obfuscation_map` | 自动提取 ABC、解析 module.json、获取混淆映射 |
| **资源** | `search_resources` / `resolve_resource` | 搜索资源、解析 `$string:app_name` 等引用 |

### 3.3 Class 语法重组：从 `func_main_0` 还原 `class Foo extends Bar`

ArkCompiler 将 `.ets` 源文件编译为模块入口函数 `func_main_0`，类定义被展开为 `defineclasswithbuffer` + `definemethod` + `Object.defineProperty` 的指令序列。我们实现了 `ClassReconstructionPass`，在 `func_main_0` 中识别这些模式并重组为：

```typescript
class SimpleBrowser extends AtkTsGlobal.ViewPU {
    constructor() { ... }
    get url() { ... }
    set url(v) { ... }
    aboutToAppear() { ... }
}
```

通过构造器去重避免 `finalizeConstruction` 等编译器生成路径导致的重复输出。父类解析同时支持从 ABC 类头读取和从 `NewClass` 指令的 parent 寄存器回溯两种策略。

### 3.4 词法环境变量名还原：让闭包可读

ArkCompiler 对闭包使用 `ldlexvar` / `stlexvar` 访问词法环境变量。这些指令只有 `(lvl, slot)` 编号，没有名字。我们解析 `newlexenvwithname` 引用的 literal array，建立词法环境栈快照，将 `__lex{lvl}_{slot}__` 替换为真实变量名。

实测在 HAP 样本中，1180 个含 `newlexenvwithname` 的方法里有 974 个成功还原了变量名。

### 3.5 Async/Await 与迭代器语法降级

- **Async/Await**：映射 `asyncfunctionenter` / `asyncfunctionawaituncaught` 等指令，输出 `async function ...` 和 `await` 表达式
- **迭代器**：映射 `getiterator` / `getnextpropname` / `closeiterator` 等指令，预扫描 `iterator init + while` 模式，降级为 `for (const x of iterable)` / `for (const k in obj)`

### 3.6 数组展开：`[...src]` 而不是 `arr.push(...src)`

实现 `starrayspread` 指令的 IR 映射和 `ArraySpreadMergingPass`，将典型模式：

```javascript
_acc_ = [];
v0 = _acc_;
_acc_ = src;
starrayspread v0, idx
```

合并为 `v0 = [...src]`。当无法追踪数组字面量或源表达式含副作用时，优雅降级为 `arr.push(...src)`。

### 3.7 超大方法：当前只提供摘要，完整输出仍需探索

反编译输出设置了 10 MB 字符预算和 100 行展示上限。当方法过大时，**目前不会输出完整代码**，而是返回截断提示 + `MethodSummary`（包含指令数、基本块数、字符串常量 Top 20、调用方法 Top 20 等）。这让 LLM 能"知道"这个方法在做什么，但无法"阅读"其完整逻辑。

这是一个务实的妥协：超大方法（动辄数万条指令）的完整反编译输出会立刻耗尽上下文窗口，对 LLM 毫无帮助。但如何让超大函数也能以 LLM 友好的方式呈现——比如按功能块切分、生成提纲式摘要、或支持按需逐级展开——仍是下一步需要重点思考的方向。

### 3.8 交叉引用索引：一次扫描，全库可查

借鉴 jadx 的 `UsageInfo` 设计：
- **方法调用**：精确索引到 `AbcMethod`
- **字段读写**：类内启发式索引（在类 C 的方法内访问字段 f，视为 C.f 的引用）+ 字段名兜底索引
- **类实例化**：索引 `NewClass` 和 `NewInst`，后者采用方法级寄存器回溯启发式
- **instanceof 检查**：索引 `InstOf` 指令
- **类层次结构**：双向索引父类、接口、子类、实现者，并支持导入别名规范化

---

## 四、优化 Pass：让输出更干净

| Pass | 功能 | 典型效果 |
|------|------|---------|
| `AlgebraicSimplificationPass` | 常量折叠、恒等变换 | `2 + 3` → `5`，`x * 1` → `x` |
| `CopyPropagationPass` | 拷贝传播 | `a = b; c = a` → `c = b` |
| `DeadCodeEliminationPass` | 死代码消除 | 移除无使用赋值 |
| `AccCopyPropagationPass` | ACC 拷贝传播 | `_acc_ = x; y = _acc_` → `y = x` |
| `ExpressionPropagationPass` | 表达式传播 | 合并简单表达式链 |
| `RedundantLoadEliminationPass` | 重复字段读取消除 | 支持写入/调用副作用失效 |
| `ArraySpreadMergingPass` | 数组展开合并 | `[]` + `starrayspread` → `[...x]` |

特别值得一提的是 **常量折叠** 的实现：不仅支持二元数值运算，还覆盖了 `BigInt` 运算、位运算、字符串拼接、`IsTrue`/`IsFalse`、`TypeOf`、`ToNumber`/`ToNumeric` 等。

---

## 五、已知缺陷与局限性（诚实告知）

我们不想只展示光鲜的一面，以下是目前已知的、在代码中明确标注的缺陷：

### 5.1 参数名还原尚未在真实数据中验证

`MethodItem.argsStr()` 优先读取 `DebugInfo.params`，发行版 HAP 通常已剥离调试参数名，当前样本中 `DebugInfo.params` 均为空。我们仍需找到携带调试信息的 ABC 来验证 `arg0` → 真实参数名的还原逻辑。

### 5.2 逻辑短路（&& / ||）识别未实现

`StructureAnalysis.simplifyConditionalSequences()` 中标注了 TODO：需要识别 `condition -> condition (same dest)` 和 `condition -> condition (dest = next)` 两种模式来生成 `&&` / `||`。当前代码中条件判断仍输出为完整 `if` 语句。

### 5.3 Async 状态机的乐观假设

`getresumemode` 被固定翻译为常量 `0`，这会让正常 resume 分支保留，异常/完成 resume 分支虽然被 `throw` 终止点剪枝，但仍可能在输出中留下形式可达的死分支（如 `_acc_ = false; if (!(_acc_ == 0)) { throw ... }`）。后续需要添加常量分支剪枝 Pass 进一步清理。

### 5.4 词法环境块内的优化受限

含 `newlexenv*` / `poplexenv` 的基本块当前禁用了完整 IR 优化，导致输出保留 `_acc_ = arg0; menuItems = _acc_;` 这类 ACC 中转语法。需要让优化器在传播表达式时 aware 到作用域边界，同时修复 `.length` 链式膨胀等错误表达式。

### 5.5 未实现指令：`callruntime.*` 系列

`callruntime.notifyconcurrentresult`、`callruntime.supercallforwardallargs` 等并发任务相关运行时调用尚未实现。这是当前 HAP 样本中主要剩余的未实现指令类别。

### 5.6 发行版 HAP 的调试信息缺失

如前所述，发行版 HAP 通常已剥离 `DebugInfo.params`，参数名、行号映射等调试信息不可用。反编译输出在方法名、变量名上仍依赖编译器生成的命名规则。

---

## 六、开源致谢

本项目站在多个优秀开源项目的肩膀上：

- **<a href="elink@71cK9s2c8@1M7s2y4Q4x3@1q4Q4x3V1k6Q4x3V1k6Y4K9i4c8Z5N6h3u0Q4x3X3g2U0L8$3#2Q4x3V1k6k6M7X3W2U0K9%4W2Q4x3V1k6m8b7V1y4p5c8b7`.`.">Yricky/ABCDE</a>**：项目的基石，提供了完整的 ABC 字节码解析框架和反汇编能力。没有 Yricky 的工作，本项目无从谈起。
- **<a href="elink@60bK9s2c8@1M7s2y4Q4x3@1q4Q4x3V1k6Q4x3V1k6Y4K9i4c8Z5N6h3u0Q4x3X3g2U0L8$3#2Q4x3V1k6G2K9r3!0K6P5s2m8S2L8X3c8S2">xpanda</a>**：已停止维护的鸿蒙反编译器（Java 实现）。我们移植了其核心的 **DominatorGraph**（支配树）、**LoopFinder**（循环检测）、**StructureAnalysis**（控制流规约）和 **RegionGraph**（轻量级有向图）算法。这些组件是结构化反编译的核心。
- **<a href="elink@4c9K9s2c8@1M7s2y4Q4x3@1q4Q4x3V1k6Q4x3V1k6Y4K9i4c8Z5N6h3u0Q4x3X3g2U0L8$3#2Q4x3V1k6K6K9%4W2D9L8%4c8Q4x3V1k6B7j5h3c8^5">jadx</a>**：Android 领域的优秀反编译器。本项目的交叉引用（XRef）索引与缓存架构直接借鉴了 jadx 的 `UsageInfo` / `UsageInfoVisitor` / `IUsageInfoCache` 设计思想：扫描一次建立反向索引，通过缓存接口抽象内存/持久化存储，引用结果按类/方法/字段分类。底层字节码解析逻辑按 ABC 格式重新实现，未直接复用 jadx 代码。
- **LLVM**：优化器采用 LLVM 风格的 Pass 架构，每个 Pass 独立运行、可组合、可扩展。

---

## 七、结语与下一步

ABCDE MCP 的目标不是做一个完美的反编译器——那是需要数年工程积累的目标——而是做一个**能让 LLM 有效工作的、务实的逆向分析工具**。当前已经实现的结构化反编译、交叉引用索引、类重组等功能，已经在真实 HAP 样本（如 Kazumi、Melotopia）上验证了可用性。我们真正打通的是从 pandaASM 到可读 JS 的通路，而 MCP 只是让这条通路可以被 LLM 直接调用。

接下来的重点方向：
1. **超大函数的 LLM 友好输出**：当前超大方法只提供摘要，不输出完整代码。如何让数万行指令的方法也能以 LLM 有效消化的方式呈现——比如按功能块切分、生成提纲式摘要、或支持按需逐级展开——是下一步最核心的探索方向。
2. **逻辑短路识别**：实现 `&&` / `||` 语法恢复
3. **常量分支剪枝**：清理 async 状态机的死分支
4. **词法环境优化恢复**：在闭包作用域内重新启用 ACC 拷贝传播
5. **callruntime 系列**：实现并发运行时调用指令
6. **真实调试样本**：寻找携带 `DebugInfo.params` 的 ABC 以验证参数名还原

如果你也在做 OpenHarmony 逆向、安全分析或 MCP 工具开发，欢迎交流。项目代码完全开源，构建命令只需 `./gradlew :modules:mcp:fatJar` 即可获得可运行的 fat jar。

---

*本文基于 ABCDE MCP 项目截至 2026 年 6 月的实现状态撰写。项目持续迭代中，部分细节可能随版本更新而变化。*

传递专业知识、拓宽行业人脉——看雪讲师团队等你加入！！