Acoda：对抗性代码混淆，用于防御基于 LLM 的分析

随着大语言模型（LLM）在代码理解、调试、漏洞检测等软件工程（SE）任务中的广泛采用，其强大的语义推理能力也带来了新的安全和隐私风险。 LLM 可以分析、重构甚至逆向工程源代码逻辑，可能导致知识产权泄露。为了解决这个问题，我们提出了 Acoda，一种基于遗传算法的对抗性代码混淆框架，可以防御基于 LLM 的代码分析。 Acoda利用LLM的两个关键机制，即安全对齐和基于词元的信息处理，设计了8种保留语义的混淆方法。它通过遗传算法迭代优化混淆策略，以生成最大化防御效果的对抗样本。此外，我们提出了一个基于LLM响应的定量评估框架，该框架结合了辅助LLM和四个评估指标来评估目标LLM如何全面分析混淆代码。实验结果表明，Acoda能够有效诱导LLM拒绝或误解代码分析。在包括 GPT-4o、DeepSeek、Qwen、Llama 和 Gemma 在内的 7 个最先进的 LLM 上，Acoda 实现了高达 70% 的攻击成功率（ASR），具有强大的跨模型可移植性和最小的运行时开销，同时确保原始代码的语义保持不变。总体而言，本研究为LLM时代的代码保护和LLM安全防御提供了新的视角。