path-tracing-reverse

路径追踪逆向工程

概述

此技能提供一种系统的方法，用于对图形渲染二进制程序（光线追踪器、路径追踪器、渲染器）进行逆向工程，以满足高保真输出匹配要求。主要挑战在于实现像素级或接近像素级的复现（相似度 >99%），这需要精确提取算法、常量和渲染参数，而非进行近似。

关键成功因素

当要求达到较高的相似度阈值（>99%）时：

1. 必须精确提取常量——猜测或近似浮点值会导致失败
2. 完整重建算法——理解不完整会在大面积像素区域产生系统性误差
3. 隔离组件——必须分别验证每个渲染组件（天空、地面、物体、光照）
4. 二进制比较策略——准确找出哪些像素存在差异，并追溯差异对应的具体算法组件

系统化方法

阶段 1：初步分析与输出特征描述

在检查二进制程序内部之前：

1. 运行程序并捕获输出——确定图像尺寸、格式（PPM、PNG 等）和总体内容
2. 系统地分析输出图像：
   • 在整张图像中按固定间隔采样像素
   • 识别不同区域（天空、地面、物体、阴影）
   • 记录颜色分布和变化
   • 绘制渲染组件之间的大致边界
3. 提取字符串信息——使用 strings 查找函数名、文件路径和能提示算法的嵌入文本

阶段 2：全面提取常量

在编写任何代码之前，提取所有浮点常量：

1. 转储 rodata 段——objdump -s -j .rodata binary 或 readelf -x .rodata binary
2. 识别浮点数模式——查找可解码为合理浮点值的 4 字节序列（颜色值通常为 0.0-1.0，位置值则更大）
3. 创建常量映射表——记录每个提取出的常量及其地址
4. 与反汇编结果交叉引用——确定每个常量由哪个函数使用

示例提取方法：

# Dump rodata and decode floats
objdump -s -j .rodata binary | grep -E "^\s+[0-9a-f]+" | while read addr data; do
    # Parse and decode 4-byte float sequences
done

阶段 3：逐个函数进行逆向工程

识别并彻底逆向工程每个函数：

1. 列出所有函数——使用 nm 或 objdump -t 识别符号
2. 绘制调用图——了解哪些函数调用了哪些函数
3. 优先分析渲染函数——重点关注以下函数：
   • sphere_intersect、ray_intersect（几何体相交）
   • vector_normalize、vector_dot、vector_cross（数学工具函数）
   • shade、illuminate、reflect（光照计算）
   • trace、cast_ray（主渲染循环）
4. 将每个函数转换为伪代码——在完全理解每个函数之前，不要直接开始实现

阶段 4：逐个组件实现

分别实现并验证每个组件：

1. 从最简单的组件开始——通常是天空／背景渐变
2. 与原始输出进行对比验证，然后再继续下一个组件
3. 独立测试相交例程——创建用于验证几何计算的测试用例
4. 最后添加光照——光照误差会与几何误差叠加

阶段 5：二进制比较与调试

当输出不匹配时：

1. 计算逐像素差异——创建差异图，显示确切的偏差
2. 识别系统性误差与随机误差：
   • 某个区域存在系统性误差 = 该组件的算法有误
   • 差一位的模式 = 舍入或精度差异
   • 物体整体偏色 = 光照模型有误
3. 将误差追溯至具体常量或公式——错误的常量会产生可预测的误差模式

常见陷阱

陷阱 1：通过试错调整常量

问题：仅凭视觉比较就对常量进行微调（0.747 → 0.690），却不了解数值为何不同。

解决方案：从二进制文件中提取精确的常量。如果某个值与预期不符，请重新检查反汇编，而不是猜测。

陷阱 2：过早开始实现

问题：在尚未充分理解算法时就开始编写代码，会导致错误假设被写入实现。

解决方案：先完成阶段 3（完整的函数逆向工程），再编写实现代码。

陷阱 3：只关注简单组件，忽略复杂组件

问题：花费精力完善天空渐变（简单），球体渲染（复杂）却仍然完全错误。

解决方案：尽早识别所有组件，并按比例分配精力。天空再完美，只要球体渲染有问题，仍然无法达到相似度阈值。

陷阱 4：假设采用简单光照模型

问题：假设只使用漫反射光照，而二进制文件实际上使用了更复杂的材质（镜面反射、反射、次表面散射）。

解决方案：仔细分析物体颜色。意料之外的颜色偏色（例如球体呈红色调：(51, 10, 10)，而预期为灰色）表明存在尚未考虑的材质属性。

陷阱 5：场景分析不完整

问题：由于分析不完整，遗漏了场景中的物体。颜色分布中出现多个灰度值，可能意味着场景中有多个球体。

解决方案：系统地分析整个输出图像。统计不同的物体区域，并确认每个区域都已纳入分析。

陷阱 6：放弃反汇编分析

问题：开始反汇编关键函数，却没有继续分析到完全理解为止。

解决方案：在继续分析之前，先为每个已识别的函数编写完整的伪代码。将函数标记为“已完全理解”或“需要进一步分析”。

验证策略

策略 1：采样真实图像像素

从原始输出中采样指定像素，并验证实现是否生成完全相同的值：

# Test critical pixels across different components
test_pixels = [
    (0, 0),      # Corner - likely sky
    (400, 0),    # Top center - sky
    (400, 500),  # Bottom center - ground
    (400, 300),  # Center - likely object
]
for x, y in test_pixels:
    original = get_pixel(original_image, x, y)
    generated = get_pixel(generated_image, x, y)
    assert original == generated, f"Mismatch at ({x},{y}): {original} vs {generated}"

策略 2：组件隔离测试

通过遮罩其他组件，单独测试每个渲染组件：

1. 仅天空测试：验证没有物体的区域中的像素
2. 仅地面测试：验证没有物体时的棋盘格或地面图案
3. 仅物体测试：比较物体边界内的像素

策略 3：差异图像分析

生成可视化差异图像，以识别错误模式：

# Per-pixel absolute difference
diff_image = abs(original - generated)
# Highlight pixels exceeding threshold
error_mask = diff_image > threshold

策略 4：统计比较

跟踪多项相似度指标：

• 像素完全匹配百分比——成功时应非常高（>95%）
• 平均绝对误差——识别平均偏差
• 最大误差——识别最差像素，以便调试
• 余弦相似度——衡量整体结构相似度（但可能掩盖局部错误）

光线追踪专用知识

常见的光线追踪器结构

大多数简单的光线追踪器都遵循以下模式：

for each pixel (x, y):
    ray = generate_ray(camera, x, y)
    color = trace_ray(ray, scene, depth)
    write_pixel(x, y, color)

trace_ray(ray, scene, depth):
    hit = find_closest_intersection(ray, scene)
    if no hit:
        return background_color(ray)
    return shade(hit, ray, scene, depth)

要提取的关键常量

• 图像尺寸：宽度、高度（通常位于 rodata 中或硬编码）
• 相机参数：FOV、位置、观察方向
• 物体定义：球心、半径、颜色／材质
• 光源位置：点光源的位置、颜色、强度
• 材质属性：漫反射／镜面反射系数、光泽度

浮点精度

• 二进制文件可能使用 float（32 位）或 double（64 位）
• 检查 x86 指令后缀：movss/addss 用于 float，movsd/addsd 用于 double
• 确保实现使用与原始程序相同的精度

工作流概述

1. 描述输出特征 - 尺寸、格式、视觉内容
2. 提取所有常量 - 完整分析 rodata
3. 映射所有函数 - 名称、用途、调用关系
4. 逆向分析每个函数 - 完整翻译为伪代码
5. 按组件实现 - 每一步都进行验证
6. 二进制比较 - 找出并修复剩余差异
7. 迭代 - 使用差异分析指导修复

避免：过早编写代码、猜测常量、只分析部分函数、忽略复杂组件。