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

> 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。

- 作者：Guoqiang Chen; Xin Jin; Zhiqiang Lin
- 原标题：JsDeObsBench: Measuring and Benchmarking LLMs for JavaScript Deobfuscation
- 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
- 已复核的 arXiv 版本：v1
- DOI：10.1145/3719027.3744871
- 来源复核于：2026-10-17
- 收录于：2026-10-17
- 原始论文：<https://doi.org/10.1145/3719027.3744871>
- PDF：<https://arxiv.org/pdf/2506.20170v1>
- 代码：<https://github.com/Ch3nYe/JsDeObsBench>
- 项目：<https://jsdeobf.github.io/>
- BibTeX：<https://awesomerea.org/papers/citations/paper-jsdeobsbench.bib>
- 目录页面：<https://awesomerea.org/zh/papers/paper-jsdeobsbench/>
- 记录 JSON：<https://awesomerea.org/papers/paper-jsdeobsbench/record.json>
- 英文版：[English](https://awesomerea.org/papers/paper-jsdeobsbench/index.md)

## 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。

## 发表与复核说明

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。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。

## 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/>

## 关于此条目

已依据论文及一手来源复核。请通过原始论文或 BibTeX 引用原作者。
原创说明采用 MIT 许可；外部项目、论文与素材保留各自的权利和许可。