二进制翻译是连接不同指令集架构的桥梁，长期以来，静态翻译面临的核心挑战在于区分代码与数据 —— 传统方法依赖启发式规则或运行时回退机制来应对解码歧义，这不仅引入了不可预测性，还使翻译结果无法在部署前独立验证。来自加州大学欧文分校的研究团队提出了 Elevator，这是首个能够在无调试信息、无源代码、无代码布局假设的前提下，将完整 x86-64 可执行文件静态翻译为 AArch64 的系统。
超集反汇编：穷举所有字节解释
传统二进制翻译器在遇到无法确定解析方式的字节时，通常采用保守策略 —— 将其假设为数据或诉诸运行时解释。Elevator 采取了一种更为激进的方案：超集反汇编（Superset Disassembly）。该方法不再预先判定任何字节的身份，而是将程序入口点的每一个偏移量都视为潜在的指令起始位置，从源程序中枚举出所有可能的解释路径。每个字节可能被解释为数据、操作码或操作码参数，系统为所有这些候选解释分别生成独立的控制流路径，仅在路径导致异常终止时才将其剪枝。
这种设计的代价是代码体积的急剧膨胀。当程序中存在大量歧义区域时，生成的候选路径数呈指数级增长。Elevator 通过瓦片库（Tile Bank）机制来缓解这一问题的工程影响 —— 系统从高级 ISA 描述中自动派生出一组预编译的代码瓦片，每块瓦片对应一种具体的 x86-64 指令与操作数组合到 AArch64 目标代码的映射。这种模块化设计使得翻译器能够快速组合出各种候选路径的翻译结果，而无需在翻译过程中实时生成机器码。
瓦片库与确定性翻译流水线
Elevator 的翻译流水线可概括为四个阶段。首先，输入的 x86-64 二进制被送入超集控制流图构造器，该阶段对每一个偏移量生成所有可能的指令候选。其次，系统根据预编译的瓦片库为每条候选指令选取对应的 AArch64 翻译瓦片。第三阶段将选取的瓦片按控制流关系拼接成完整的 AArch64 代码流。最后，系统组装出一个自包含的可执行文件，其中包含翻译后的 AArch64 代码、原始 x86-64 二进制数据（作为回退数据区）、地址查找表以及一个小型运行时驱动。
确定性是该系统的核心特性。与 QEMU 等动态翻译器不同，Elevator 的输出在每次运行时都是相同的完整二进制，Trusted Code Base 中不包含任何运行时组件。输出结果可以直接进行测试、验证、认证甚至加密签名，研究团队将此描述为该方法相较于模拟器或 JIT 编译器的关键优势 —— 你得到的就是将要实际执行的代码。
ABI 边界处理与动态链接支持
跨指令集翻译必须妥善处理 Application Binary Interface（ABI）的差异。Elevator 在翻译 x86-64 System V ABI 调用约定时，会在进入原生 AArch64 代码的边界处进行参数传递规则转换。系统维护了一个翻译 Gadget 表，用于处理从 AArch64 回转到翻译后 x86-64 代码的回调路径，包括栈布局调整和寄存器映射。
动态链接库的支持是当前实现中的一个重要环节。系统通过插入专门的返回路径翻译 Gadget 来桥接翻译后代码与原生共享库之间的调用边界。对于尚未支持的 x86-64 扩展指令（如 AVX2 及更新的宽向量指令），Elevator 采用了中断瓦片（Interrupt Tile）策略 —— 生成一条会导致程序中断的指令作为占位符，从而保持整体控制流的完整性。这一设计确保即使程序包含未支持的指令，翻译过程仍能完成，仅在执行到相关路径时触发中断。
性能评估与工程权衡
研究团队在 SPECint 2006 基准测试套件上对 Elevator 进行了完整评估，结果显示其性能与 QEMU 的用户态 JIT 模拟器相当或更优。考虑到 Elevator 采用的是完全静态翻译方法，这一结果在工程意义上具有重要意义 —— 静态翻译避免了运行时开销与即时编译的复杂度，同时消除了动态二进制翻译器中的解释循环开销。
然而，超集反汇编策略带来的代码体积膨胀是不可忽视的代价。当程序的控制流图中存在大量歧义节点时，系统需要为每个候选解释生成独立的翻译路径，这一特性决定了 Elevator 更适合对代码体积容忍度较高的场景。在实际应用中，这种权衡需要根据具体用例进行评估 —— 对于追求可验证性、确定性与安全审计的场景，代码膨胀是可接受的代价；而对于嵌入式或资源受限环境，则需要进一步优化或采用混合策略。
Elevator 的出现标志着全静态二进制翻译领域的重大突破。彻底摒弃启发式规则与运行时回退意味着翻译结果的可预测性与可审计性达到了前所未有的水平。虽然代码膨胀是当前实现的主要瓶颈，但随着瓦片库优化与路径剪枝策略的改进，这一方法有望在更多实际场景中发挥价值，特别是那些对安全合规与代码签名有严格要求的领域。
资料来源：arXiv:2605.08419，Elevator 论文原文及 HTML 版本。
内容声明：本文无广告投放、无付费植入。
如有事实性问题，欢迎发送勘误至 i@hotdrydog.com。