論文の概要: Analyzing Chain of Thought (CoT) Approaches in Control Flow Code Deobfuscation Tasks

• arxiv url: http://arxiv.org/abs/2604.15390v2
• Date: Thu, 23 Apr 2026 11:47:08 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-24 14:40:05.985173
• Title: Analyzing Chain of Thought (CoT) Approaches in Control Flow Code Deobfuscation Tasks
• Title（参考訳）: 制御フローコード難読化タスクにおける思考(CoT)アプローチの連鎖解析
• Authors: Seyedreza Mohseni, Sarvesh Baskar, Edward Raff, Manas Gaur,
• Abstract要約: CoT(Chain-of-Thought)プロンプトは、コード分析に適した明示的でステップバイステップの推論を通じて導かれる。 制御フロー難読化(CFF)やOpaque Predicates,それらの組み合わせなど,制御フローの難読化に重点を置いている。 単純なプロンプトに比べて,CoTプロンプトは難燃性クオリティを著しく向上することを示す。
• 参考スコア（独自算出の注目度）: 39.1560117358229
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Code deobfuscation is the task of recovering a readable version of a program while preserving its original behavior. In practice, this often requires days or even months of manual work with complex and expensive analysis tools. In this paper, we explore an alternative approach based on Chain-of-Thought (CoT) prompting, where a large language model is guided through explicit, step-by-step reasoning tailored for code analysis. We focus on control flow obfuscation, including Control Flow Flattening (CFF), Opaque Predicates, and their combination, and we measure both structural recovery of the control flow graph and preservation of program semantics. We evaluate five state-of-the-art large language models and show that CoT prompting significantly improves deobfuscation quality compared with simple prompting. We validate our approach on a diverse set of standard C benchmarks and report results using both structural metrics for control flow graphs and semantic metrics based on output similarity. Among the tested models and by applying CoT, GPT5 achieves the strongest overall performance, with an average gain of about 16% in control-flow graph reconstruction and about 20.5% in semantic preservation across our benchmarks compared to zero-shot prompting. Our results also show that model performance depends not only on the obfuscation level and the chosen obfuscator but also on the intrinsic complexity of the original control flow graph. Collectively, these findings suggest that CoT-guided large language models can serve as effective assistants for code deobfuscation, providing improved code explainability, more faithful control flow graph reconstruction, and better preservation of program behavior while potentially reducing the manual effort needed for reverse engineering.
• Abstract（参考訳）: コードの難読化(Code Deobfuscation)は、プログラムの可読バージョンを元の動作を維持しながら復元するタスクである。 実際には、複雑で高価な分析ツールを使って、何日も何ヶ月も手作業で作業する必要があることが多い。 本稿では,コード解析に適したステップバイステップ推論を通じて,大規模言語モデルをガイドする,Chain-of-Thought(CoT)プロンプトに基づく代替手法を提案する。 我々は制御フローの難読化(CFF)やOpaque Predicates(Opaque Predicates)など,制御フローの難読化とそれらの組み合わせに着目し,制御フローグラフの構造回復とプログラムセマンティクスの保存を両立する。 我々は5つの最先端の大規模言語モデルを評価し、単純なプロンプトと比較してCoTプロンプトが難読化品質を大幅に向上することを示した。 提案手法を標準Cベンチマークの多種多様なセットで検証し,フローグラフ制御のための構造指標と,出力類似度に基づく意味指標の両方を用いて結果を報告する。 テストモデルとCoTの適用により、GPT5は、ゼロショットプロンプトと比較して、制御フローグラフの再構築で平均16%、セマンティック保存で約20.5%という、最も高い全体的なパフォーマンスを達成する。 また, モデル性能は, 難読化レベルと選択した難読化度だけでなく, 元の制御フローグラフの内在的複雑さにも依存することを示した。 これらの結果から,CoT誘導型大規模言語モデルは,コード難読化のための効果的なアシスタントとして機能し,コード説明性の向上,より忠実な制御フローグラフ再構築,プログラム動作の保存性の向上,さらにはリバースエンジニアリングに必要な手作業の削減などが示唆された。

関連論文リスト

• Autonomous Chain-of-Thought Distillation for Graph-Based Fraud Detection [73.9189065770752]
  テキスト分散グラフ(TAG)上のグラフベースの不正検出には、リッチテキストセマンティクスとリレーショナル依存関係を共同でモデル化する必要がある。 我々は,自律型グラフ認識チェーン(CoT)推論とスケーラブルなLLM-GNN協調学習を通じて,TAGに基づく不正検出を促進する統一フレームワークであるFraudCoTを提案する。
  論文  参考訳（メタデータ） (2026-01-30T13:12:12Z)
• Larger Is Not Always Better: Leveraging Structured Code Diffs for Comment Inconsistency Detection [3.0208923532626444]
  開発者がコードを変更するが、対応するコメントを更新することを無視する場合に、コメントの不整合が発生する。 大規模言語モデル(LLM)を利用したCCI(Code-comment Inconsistency)検出への最近のアプローチ CodeT5+のバックボーン上に構築したJust-In-Time CCI検出手法を提案する。
  論文  参考訳（メタデータ） (2025-12-22T21:17:31Z)
• CodeRL+: Improving Code Generation via Reinforcement with Execution Semantics Alignment [98.87395842351627]
  大きな言語モデル(LLM)は、巨大なコードコーパスから学習することで、コード生成において優れています。 テキストパターンのトレーニングと機能的正しさの目標の間には、基本的な意味的ギャップが残っている。 我々は、コード生成のためのRLVRトレーニングパイプラインに実行セマンティクスアライメントを統合する新しいアプローチであるCodeRL+を提案する。
  論文  参考訳（メタデータ） (2025-10-21T09:48:06Z)
• Scaling Code-Assisted Chain-of-Thoughts and Instructions for Model Reasoning [65.20602712957725]
  Cacoは、高品質で検証可能な多様な命令-CoT推論データの合成を自動化する新しいフレームワークである。 我々の研究は、人間の介入なしに自己持続的で信頼できる推論システムを構築するためのパラダイムを確立します。
  論文  参考訳（メタデータ） (2025-10-05T07:59:24Z)
• ReF Decompile: Relabeling and Function Call Enhanced Decompile [50.86228893636785]
  逆コンパイルの目標は、コンパイルされた低レベルコード(アセンブリコードなど)を高レベルプログラミング言語に変換することである。 このタスクは、脆弱性識別、マルウェア分析、レガシーソフトウェアマイグレーションなど、さまざまなリバースエンジニアリングアプリケーションをサポートする。
  論文  参考訳（メタデータ） (2025-02-17T12:38:57Z)
• VisualCoder: Guiding Large Language Models in Code Execution with Fine-grained Multimodal Chain-of-Thought Reasoning [10.70881967278009]
  ビジュアル制御フローグラフ (CFG) を用いたマルチモーダルチェイン・オブ・ワットスニペット (CoT) 推論を統合することで,コード推論を強化する,シンプルかつ効果的なアプローチである VisualCoder を導入する。 我々は,参照機構によるマルチモーダルCoT統合の課題に対処し,コードと実行経路の整合性を確保し,プログラム動作予測,エラー検出,出力生成の性能を向上させる。
  論文  参考訳（メタデータ） (2024-10-30T19:07:01Z)
• A Transformer-based Approach for Source Code Summarization [86.08359401867577]
  コードトークン間のペア関係をモデル化することにより,要約のためのコード表現を学習する。 アプローチは単純であるにもかかわらず、最先端技術よりもかなりの差があることが示される。
  論文  参考訳（メタデータ） (2020-05-01T23:29:36Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。