Fugu-MT 論文翻訳(概要): Robustness and Trade-offs for Code LLMs on Protected Code

論文の概要: Robustness and Trade-offs for Code LLMs on Protected Code

arxiv url: http://arxiv.org/abs/2609.04220v1
Date: Fri, 03 Jul 2026 08:50:10 GMT
ステータス: 翻訳完了
システム内更新日: 2026-09-28 05:09:55.4649
Title: Robustness and Trade-offs for Code LLMs on Protected Code
Title（参考訳）: 保護コード上のLLMのロバスト性とトレードオフ
Abstract要約: 保護符号の翻訳と完了に関する7つのLLMの実行に基づく研究について述べる。その結果、難読化コードの直接推論は、しばしば復元されたコードの推論と一致するか、上回っていることがわかった。設定全体において、モデル能力が第一の要因であり、ソース言語と難読化メソッドは二次的だが一貫した効果を持つ。
参考スコア（独自算出の注目度）: 15.23836007631253
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Code large language models (LLMs) are increasingly used on software artifacts that may be intentionally obfuscated for intellectual-property protection, reverse-engineering resistance, or controlled access. In reverse engineering and security analysis, deobfuscation is commonly treated as the preprocessing step before downstream analysis or inference, yet its utility for code LLM pipelines has not been systematically validated across models and protection methods. We present an execution-based study of seven code LLMs on protected-code translation and completion, spanning source programs from C++, Go, Java, and JavaScript, five obfuscation methods, and three inference protocols: plain, obfuscated, and deobfuscated. Our results show that direct inference on obfuscated code often matches or exceeds inference on restored code. In this controlled benchmark, higher-capability models such as GPT-4.1 and Qwen3-Coder-30B retain about 90% Pass@1 on obfuscated translation inputs, indicating that explicit restoration is often unnecessary. Same-model restoration does recover some obfuscation-induced failures, but it also degrades many cases that already succeed, with lower-capability models showing the largest net losses. Across settings, model capability is the primary factor, while source language and obfuscation method have secondary but consistent effects. Overall, our findings support model-aware pipeline design and indicate that protected-code workflows should be evaluated primarily with execution-based metrics rather than static similarity alone.
Abstract（参考訳）: コード大言語モデル(LLM)は、知的財産権保護、リバースエンジニアリング抵抗、制御されたアクセスのために意図的に難読化されるソフトウェアアーティファクトに、ますます使われている。リバースエンジニアリングとセキュリティ分析では、デオブファシエーションはダウンストリーム分析や推論の前処理ステップとして一般的に扱われるが、コードLLMパイプラインの実用性はモデルとプロテクションメソッド間で体系的に検証されていない。 C++,Go,Java,JavaScriptのソースコードプログラム,5つの難読化メソッド,および3つの推論プロトコル – プレーン,難読化,難読化 – にまたがる,保護コード翻訳と補完に関する7つのコードLLMの実行ベース研究を提案する。その結果、難読化コードの直接推論は、しばしば復元されたコードの推論と一致するか、上回っていることがわかった。この制御されたベンチマークでは、GPT-4.1やQwen3-Coder-30Bのような高機能モデルは、難解な翻訳入力に対して90%のPass@1を保持しており、明示的な復元がしばしば不要であることを示している。同様のモデル復元は難読化によって引き起こされた障害を回復させるが、既に成功している多くのケースを劣化させる。設定全体において、モデル能力が第一の要因であり、ソース言語と難読化メソッドは二次的だが一貫した効果を持つ。全体としては、モデル対応パイプライン設計をサポートし、静的な類似性のみでなく、主に実行ベースのメトリクスでプロテクトコードワークフローを評価すべきであることを示す。

関連論文リスト

Post-Hoc Attention Steering of Large Language Models for Robust Code Understanding under Obfuscation [15.427245397603189]
大規模言語モデル(LLM)は、コード理解において強力な能力を示しているが、難読化に対する頑健さはいまだによく分かっていない。提案するCodeSteerは,意味的に関連するプログラム要素に対して,モデル注意を再配置する新しいアテンションステアリング手法である。提案手法は,軽量なプログラム解析と推論時アテンションステアリングを統合して,プログラムのコアインプット・トゥ・アウトプット・依存性にLCMを誘導する。
論文参考訳（メタデータ） (2026-08-20T05:16:05Z)
Can LLMs Deobfuscate Binary Code? A Systematic Analysis of Large Language Models into Pseudocode Deobfuscation [27.576617126549294]
BinDeObfBenchは、LLMベースのバイナリ難読化を評価するための最初の包括的なベンチマークである。推論モデルは、激しい難読化の下で堅牢性を維持することができる。コンテキスト内学習は標準モデルにはメリットがあるが、推論モデルには限界がある。
論文参考訳（メタデータ） (2026-04-09T10:56:06Z)
Secure Code Generation via Online Reinforcement Learning with Vulnerability Reward Model [60.60587869092729]
大規模言語モデル(LLM)は、ソフトウェア開発でますます使われているが、安全でないコードを生成する傾向は、現実世界のデプロイメントにとって大きな障壁である。機能保存型セキュアコード生成のためのオンライン強化学習フレームワークSecCoderXを提案する。
論文参考訳（メタデータ） (2026-02-07T07:42:07Z)
Context-Guided Decompilation: A Step Towards Re-executability [50.71992919223209]
バイナリ逆コンパイルは、ソフトウェアセキュリティ分析、リバースエンジニアリング、マルウェア理解において重要な役割を果たす。大規模言語モデル (LLMs) の最近の進歩により、ニューラルデコンパイルが可能になったが、生成されたコードは一般的に意味論的にのみ使用可能である。 In-context Learning(ICL)を活用して,再実行可能なソースコードを生成するためのILC4Decompを提案する。
論文参考訳（メタデータ） (2025-11-03T17:21:39Z)
"Digital Camouflage": The LLVM Challenge in LLM-Based Malware Detection [0.0]
大規模言語モデル(LLM)がマルウェア検出のための有望なツールとして登場した。しかし、逆コンパイラレベルの難読化の下での信頼性はまだ発見されていない。本研究は,コンパイラレベルの難読化技術に対する3つの最先端LCMのロバスト性を実証的に評価する。
論文参考訳（メタデータ） (2025-09-20T12:47:36Z)
Decompiling Smart Contracts with a Large Language Model [51.49197239479266]
Etherscanの78,047,845のスマートコントラクトがデプロイされているにも関わらず(2025年5月26日現在)、わずか767,520 (1%)がオープンソースである。この不透明さは、オンチェーンスマートコントラクトバイトコードの自動意味解析を必要とする。バイトコードを可読でセマンティックに忠実なSolidityコードに変換する,先駆的な逆コンパイルパイプラインを導入する。
論文参考訳（メタデータ） (2025-06-24T13:42:59Z)
Deconstructing Obfuscation: A four-dimensional framework for evaluating Large Language Models assembly code deobfuscation capabilities [0.49157446832511503]
大規模言語モデル (LLM) はソフトウェア工学において有望であるが、バイナリ解析の有効性は未定である。組立コードの難読化のための商用LCMの総合評価を行った。
論文参考訳（メタデータ） (2025-05-26T12:16:44Z)
ObscuraCoder: Powering Efficient Code LM Pre-Training Via Obfuscation Grounding [60.37988508851391]
言語モデル(LM)は、コード記述ツールボックスのベースとなっている。 Code-LMの事前学習目標の変更を探求する研究は、データ効率の向上と構文とセマンティクスの相互接続性の向上を目的としており、顕著に不十分である。本研究では,Code-LMが表面的な構文を超越し,事前学習したサンプルの効率を高めるために,難読化コードの基盤について検討する。
論文参考訳（メタデータ） (2025-03-27T23:08:53Z)
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)
ShadowCode: Towards (Automatic) External Prompt Injection Attack against Code LLMs [56.46702494338318]
本稿では,コード指向の大規模言語モデルに対する(自動)外部プロンプトインジェクションという,新たな攻撃パラダイムを紹介する。コードシミュレーションに基づいて誘導摂動を自動生成する,シンプルで効果的な方法であるShadowCodeを提案する。 3つの人気のあるプログラミング言語にまたがる31の脅威ケースを発生させるため、13の異なる悪意のある目標に対して本手法を評価した。
論文参考訳（メタデータ） (2024-07-12T10:59:32Z)

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。