# 评估大语言模型对真实恶意软件活动中恶意代码的去混淆能力

> 论文使用 Emotet 恶意软件活动中的真实恶意脚本，评估四种大语言模型的去混淆能力及其在逆向工程中的应用。

- 作者：Constantinos Patsakis; Fran Casino; Nikolaos Lykousas
- 原标题：Assessing LLMs in Malicious Code Deobfuscation of Real-world Malware Campaigns
- 发表载体：arXiv
- 发表状态：预印本
- 出版／提交日期：2024 年 4 月 30 日
- 日期依据：arXiv 首次提交日期。
- arXiv 首次提交：2024 年 4 月 30 日
- arXiv：2404.19715
- 已复核的 arXiv 版本：v1
- 来源复核于：2026-11-06
- 收录于：2026-11-06
- 原始论文：<https://arxiv.org/abs/2404.19715>
- PDF：<https://arxiv.org/pdf/2404.19715>
- BibTeX：<https://awesomerea.org/papers/citations/paper-llm-malware-deobfuscation.bib>
- 目录页面：<https://awesomerea.org/zh/papers/paper-llm-malware-deobfuscation/>
- 记录 JSON：<https://awesomerea.org/papers/paper-llm-malware-deobfuscation/record.json>
- 英文版：[English](https://awesomerea.org/papers/paper-llm-malware-deobfuscation/index.md)

## 研究范围与局限

评估范围为四种大语言模型和 Emotet 活动中的恶意脚本。

## 与本合集的关联

对恶意脚本去混淆有助于研究人员在恶意软件逆向工程中理解代码行为。

## 发表与复核说明

日期和发表场所来自 arXiv 记录。

## 一手来源

1. <https://arxiv.org/abs/2404.19715>

## 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。