REStack: Stack Exchange의 역공학(Reverse Engineering) 토론을 활용한 대규모 데이터셋

역공학 (Reverse Engineering, RE)은 악성코드 분석, 취약점 발견, 레거시 시스템 유지보수, 펌웨어 검사 등의 작업을 지원하는 소프트웨어 공학 및 사이버 보안 분야의 핵심적인 활동입니다. 이러한 중요성에도 불구하고, 실제 환경에서 RE 실무자들이 직면하는 도전 과제, 주제 및 지식 격차에 대한 실증적 이해는 제한적이며, 개발자 Q&A 포럼으로부터 RE 토론을 체계적으로 수집한 공개 데이터셋은 존재하지 않습니다. 본 논문에서는 Stack Overflow와 역공학 전용 Stack Exchange 사이트에서 수집한 대규모 RE 토론 데이터셋인 REStack을 제시합니다. 이 데이터셋은 15년 이상의 기간에 걸친 12,000개 이상의 RE 관련 게시물로 구성되어 있습니다. 유전 알고리즘 (Genetic Algorithm, GA) 기반의 하이퍼파라미터 최적화를 적용한 잠재 디리클레 할당 (Latent Dirichlet Allocation, LDA) 방식과 수동 주제 레이블링을 사용하여, 우리는 6개의 상위 테마 범주로 그룹화된 23개의 의미론적으로 일관된 RE 주제를 식별했습니다. 또한, 이 데이터셋은 미답변율 및 응답 시간과 같은 커뮤니티 상호작용 신호에서 도출된 메타데이터와 난이도 지표를 통해 더욱 풍부해졌습니다. 우리의 분석 결과, RE 토론은 주로 디버깅 (debugging), 디컴파일 (decompilation), 시스템 수준 분석 (system-level analysis)을 강력하게 강조하는 실무적이고 작업 지향적인 특성을 보였으며, 메모리, 펌웨어 및 파일 형식 분석과 관련된 주제는 높은 난이도와 미해결률을 나타냈습니다. 실증적 특성 규명을 넘어, REStack은 실증 연구, 교육 연구, 그리고 RE를 위한 AI 및 대규모 언어 모델 (Large Language Model, LLM) 기반의 개발자 지원 도구 개발 및 평가를 위한 재사용 가능한 자원을 제공합니다. 본 연구는 데이터셋과 관련 스크립트를 공개함으로써 재현 가능한 연구를 촉진하고, RE 실무를 위한 데이터 기반 지원을 발전시키는 것을 목표로 합니다.