AwesomeREA.org

2025 · 会议论文

JsDeObsBench：衡量与评测大语言模型的 JavaScript 反混淆能力

JsDeObsBench: Measuring and Benchmarking LLMs for JavaScript Deobfuscation

Guoqiang Chen; Xin Jin; Zhiqiang Lin

对附带测试用例的 Project CodeNet 程序施加 JavaScript-Obfuscator 的七种混淆变换，构建可通过执行验证的 JavaScript 反混淆基准，并从语法、执行结果、代码简化程度及与原始代码的相似度评估 LLM 和现有工具的输出。

研究范围与局限

平均而言，LLM 输出通过执行检查的比例为 60.93%，两种现有反混淆工具基线为 83%。所有样本均由单一混淆器生成，原始程序是长度适中的编程竞赛解答。4,515 个经混淆的恶意代码样本没有测试用例，只能通过行为轨迹比较。

与本合集的关联

为 LLM 辅助的 JavaScript 反混淆提供可量化、经执行检验的基准；反混淆是从已部署脚本恢复网站行为的常见步骤。

发表与核查详情

发表载体
ACM CCS 2025
发表状态
会议论文
出版／提交日期
2025 年 11 月 19 日
日期依据
采用 ACM 在 Crossref 登记的印刷出版日期；不将 CCS 2025 于 10 月 13—17 日举行的会议周作为出版日期。
arXiv 首次提交
2025 年 6 月 25 日
arXiv
2506.20170
已核对的 arXiv 版本
v1
DOI
10.1145/3719027.3744871

ACM 在 Crossref 登记的元数据记载印刷出版于 2025-11-19，在线出版于 2025-11-22，页码为 36–50。核查期间无法读取 ACM 数字图书馆页面；审阅文本为带有 CCS 2025 页眉的 arXiv v1。论文给出了代码仓库和 jsdeobf.github.io 排行榜链接。固定提交中的仓库包含基于 CodeNet 生成的混淆数据集、评估器和脚本，但不含恶意代码样本，也没有许可证文件。

来源核查于

本合集仅核对来源，未重新运行论文实验。请通过原始论文或 BibTeX 引用原作者。

一手来源

  1. https://doi.org/10.1145/3719027.3744871
  2. https://api.crossref.org/works/10.1145/3719027.3744871
  3. https://arxiv.org/abs/2506.20170
  4. https://github.com/Ch3nYe/JsDeObsBench/blob/8b2e1c35dc4ae25a46ea580ea5dcb6b5de5edbe9/README.md
  5. https://github.com/Ch3nYe/JsDeObsBench/tree/8b2e1c35dc4ae25a46ea580ea5dcb6b5de5edbe9
  6. https://jsdeobf.github.io/