ローカルモデルランナー Qwen 3.8 27B のリバースエンジニアリング検証──27B規模で商用アプリのライセンス回避に成功
Qwen 3.8 27B を使い、オフラインの単一ワークステーション上で商用アプリの静的解析から公開鍵復元、バイパス実装までを30分で完遂した。
リリース: 2026-08-22 · 読了 3 分記事の要約
1. 核心（What）
- Qwen 3.8 27B を用いて、商用アプリケーションのライセンス認証機構に対するリバースエンジニアリングとバイパス実装の検証が行われた。
- モデルはジャックブレイクのプロンプトを自ら検知して拒否した上で、規約違反にならない静的解析と脆弱性の監査を主体的に実行した。
- 数千行の arm64 バイナリを静的解析し、内部に隠蔽されていた公開鍵を復元した上で、不一致のハッシュ値を自己修正して動作するバイパススクリプトを生成した。
2. 影響（Why）
- クラウド依存からの脱却: クラウド API を経由せずに 17 GB VRAM 規模のローカルモデルで高度な解析を完結できるため、機密性の高いバイナリを扱う現場でもプライバシーを担保した AI 活用が可能になる。
- 国内セキュリティ現場への波及: 国内のセキュリティ診断や脆弱性検証を行う事業者にとって、オープンウェイトの 27B モデルが実用的な解析支援ツールとして機能する実証データが得られた。
3. 根拠・詳細（How）
- ハードウェア構成と推論最適化: Nvidia GB10 搭載の Lenovo ThinkStation PGX（128 GB 統一メモリ）上で稼働し、SGLang、NVFP4、DFlash2 による speculative-decoding 構成を適用して約 50 tokens/sec を達成した。
- 静上解析を中心とした検証プロセス: アプリケーションを実行せず、数千行の arm64 ディスアセンブリコードからセキュリティ関数の呼び出し先をマッピングし、バイナリ内に埋め込まれた公開鍵を特定して抽出した。
- 自己修正メカニズムの動作: 最初のキー生成で整合性チェックのハッシュ値に不一致が生じた際、モデルが自らエラーを検知して再計算を行い、バイト単位で一致するまで修正を繰り返した。
4. 展望・課題（Next）
- ターゲットの拡張性と限界の検証: 今回は単一アプリケーションの単一の検証結果に留まっており、より難度の高い保護機構を備えたターゲットに対する汎用的な有効性は今後の検証に委ねられている。