单次 JavaScript 反混淆的阶段监督潜在推理

JavaScript 混淆被广泛用于保护代码，但它也使程序分析和安全审查变得更加困难。现有的基于LLM的反混淆方法通常将任务视为一步翻译，忽略了实际反混淆流程的阶段结构。这篇 WIP 论文提出了一种阶段感知的潜在推理框架，该框架将确定性反混淆工具的中间输出转换为基于 Coconut 的训练的监督。该模型在训练期间从多阶段重写中学习，但在推理时一次性生成最终的清理程序。 JsDeObsBench 的初步结果表明，基于 Coconut 的模型将语法有效性提高到 50%，而直接微调的语法有效性为 15%，零样本基线为 25%，并且有效输出中的语义正确性达到 80%，这表明在反混淆方面比任一比较模型都有更好的语义忠实度。