Seorang praktisi yang telah berkecimpung dalam dunia peretasan perangkat keras dan perangkat lunak selama dua dekade mengungkapkan bagaimana penggunaan kecerdasan buatan (AI) secara signifikan mempercepat proses rekayasa balik (reverse engineering). Melalui blog pribadinya, ia menjelaskan alur kerja dan perangkat yang digunakan untuk membedah berbagai sistem, mulai dari aplikasi desktop hingga firmware perangkat elektronik.
Proses Kerja Berbasis AI
Dalam praktiknya, penulis mengarahkan agen AI pada biner yang akan dianalisis dengan menggunakan serangkaian keterampilan khusus. Langkah awal yang dilakukan adalah mengidentifikasi jenis biner, platform, dan metode pembuatannya untuk menentukan dekompiler yang tepat. Penulis mencatat bahwa model AI saat ini sudah cukup mahir dalam menangani instruksi dasar seperti x86 atau ARM.
Agen AI diperintahkan untuk mendokumentasikan semua temuan ke dalam berkas Markdown (MD). Dokumentasi ini berfungsi sebagai catatan bagi pengguna, membantu agen agar tidak kehilangan jejak saat berpindah tugas, serta meningkatkan efektivitas kerja agen agar tidak terjebak dalam pengulangan. Setelah mendapatkan gambaran umum mengenai struktur utama, fungsi, dan percabangan biner, penulis dapat menentukan langkah modifikasi atau analisis lebih lanjut.
Jika analisis dasar tidak memadai, penulis menggunakan beberapa teknik tambahan, seperti:
- Meminta agen melakukan debug pada biner dan menetapkan titik henti (breakpoint).
- Mengaktifkan pencatatan log atau menyuntikkan probe ke dalam biner untuk merekam aktivitas.
- Memberikan akses luar kepada agen, seperti penggunaan komputer untuk aplikasi desktop atau emulator untuk firmware.
- Meminta pendekatan alternatif, misalnya dengan melacak string dalam biner jika agen mengalami kebuntuan saat mengikuti referensi silang (xref).
- Membaca percakapan dan alur berpikir LLM untuk memberikan panduan jika agen mulai menyimpang ke jalur yang tidak produktif.
Keterampilan dan Alat Pendukung
Penulis menekankan pentingnya beberapa keterampilan teknis yang ia kembangkan untuk memandu agen AI, di antaranya:
- Matt Pottock: Digunakan untuk mengajukan pertanyaan kritis saat input pengguna diperlukan.
- Ghidra/Tooling RE: Keterampilan yang mendeskripsikan penggunaan alat rekayasa balik seperti radare2 atau jembatan MCP Ghidra agar agen tidak tersesat saat melakukan dekompilasi.
- Hypothesis Debugging: Metode ilmiah yang memaksa agen untuk membuat hipotesis, merancang eksperimen untuk membuktikan atau menyanggah hipotesis tersebut, dan mencatat hasilnya dalam tabel CSV.
Untuk implementasi peretasan, penulis lebih memilih Python dengan alat UV untuk pembuatan prototipe cepat, serta Rust untuk implementasi akhir. Menurutnya, Rust sangat efektif karena kompilatornya yang ketat memberikan umpan balik instan kepada agen mengenai potensi masalah memori atau sintaksis.
Pencapaian dan Eksplorasi
Berkat bantuan AI, penulis berhasil menyelesaikan berbagai proyek rekayasa balik dalam enam bulan terakhir yang sebelumnya mungkin memakan waktu bertahun-tahun jika dikerjakan secara manual. Beberapa keberhasilannya meliputi pemetaan protokol komunikasi pada perangkat biofeedback dan kamera Sony Alpha, pengembangan firmware khusus untuk synthesizer seperti Arturia MiniFreak dan Teenage Engineering OP-Z, serta perbaikan driver printer lama untuk macOS.
Penulis menyatakan bahwa meskipun pengalaman panjangnya tetap krusial untuk mengarahkan agen AI ke jalur yang benar, penggunaan alat LLM telah memberikan dorongan besar bagi rasa ingin tahunya. Ia berharap pengalamannya ini dapat mendorong orang lain untuk mencoba melakukan eksplorasi teknis serupa demi kepuasan intelektual dan pembelajaran.
Sumber: Hacker News: Front Page








