論文の概要: Stage-Supervised Latent Reasoning for Single-Shot JavaScript Deobfuscation

• arxiv url: http://arxiv.org/abs/2609.27058v1
• Date: Tue, 22 Sep 2026 20:59:21 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-25 00:05:17.770535
• Title: Stage-Supervised Latent Reasoning for Single-Shot JavaScript Deobfuscation
• Title（参考訳）: 単ショットJavaScript難読化のためのステージスーパービジョン潜時推論
• Abstract要約: 本稿では、決定論的難読化ツールから中間出力をココナッツベースのトレーニングの監視に変換する段階認識潜在推論フレームワークを提案する。 JsDeObsBenchの予備的な結果から、ココナッツベースモデルは、直接微調整で15%、ゼロショットベースラインで25%に比べて、構文的妥当性を50%向上させることが示された。
• 参考スコア（独自算出の注目度）: 1.5377279217726239
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: JavaScript obfuscation is widely used to protect code, but it also makes program analysis and security review substantially harder. Existing LLM-based deobfuscation methods usually treat the task as one-step translation, ignoring the staged structure of practical deobfuscation pipelines. This WIP paper proposes a stage-aware latent reasoning framework that converts intermediate outputs from a deterministic deobfuscation tool into supervision for Coconut-based training. The model learns from multi-stage rewrites during training but generates the final cleaned program in a single shot at inference time. Preliminary results on JsDeObsBench show that the Coconut-based model improves syntactic validity to 50%, compared with 15% for direct fine-tuning and 25% for a zero-shot baseline, and reaches 80% semantic correctness among valid outputs, indicating better semantic faithfulness than either comparison model in deobfuscation.
• Abstract（参考訳）: JavaScriptの難読化は、コードを保護するために広く使われているが、プログラム分析とセキュリティレビューを著しく難しくしている。 既存のLCMに基づく難読化手法では、実際の難読化パイプラインのステージ構造を無視して、そのタスクを1ステップの翻訳として扱う。 本稿では、決定論的難読化ツールから中間出力をココナッツベースのトレーニングの監視に変換する段階認識潜在推論フレームワークを提案する。 モデルは、トレーニング中に多段階の書き換えから学習するが、推論時に1ショットで最終的なクリーン化されたプログラムを生成する。 JsDeObsBenchの予備的な結果は、ココナッツベースモデルは、直接微調整で15%、ゼロショットベースラインで25%に対して構文妥当性を50%改善し、有効出力で80%のセマンティック正当性を達成し、デオブファシエーションにおけるどちらの比較モデルよりもセマンティック忠実性が高いことを示している。

関連論文リスト

• Is Code Better Than Language for Algorithmic Reasoning [58.86873062890482]
  ツール拡張言語モデルでは、中間表現と実行機構の両方を変えるため、自然言語推論とコード実行パイプラインを比較することは困難である。 モデルは、その推論を実行可能なコードとして表現し、言語モデルは、そのコードを文脈でシミュレートして、回答を生成する。 中間介入は自然言語の推論と有意に異なるものではない(+0.15pp)。
  論文  参考訳（メタデータ） (2026-06-14T04:17:21Z)
• Analyzing Chain of Thought (CoT) Approaches in Control Flow Code Deobfuscation Tasks [39.1560117358229]
  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。
  論文  参考訳（メタデータ） (2026-04-16T06:08:07Z)
• 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)
• Readability-Robust Code Summarization via Meta Curriculum Learning [53.44612630063336]
  現実の世界では、コードが貧弱な構造や難読化され、モデルのパフォーマンスが著しく低下することが多い。 本稿では,可読性の低いコードに対するコード要約の堅牢性を向上する,新しい微調整手法であるRoFTCodeSumを提案する。
  論文  参考訳（メタデータ） (2026-01-09T02:38:24Z)
• From Obfuscated to Obvious: A Comprehensive JavaScript Deobfuscation Tool for Security Analysis [6.038443052154118]
  JSIMPLIFIERは、事前処理を備えた多段階パイプラインを使用した包括的な難読化ツールである。 44,421のサンプルを使って、最も大きな現実世界の難読化JavaScriptデータセットを構築し、リリースする。 この結果、JavaScriptの難読化研究と実用的なセキュリティアプリケーションのためのベンチマークを前進させた。
  論文  参考訳（メタデータ） (2025-12-16T04:13:09Z)
• 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)
• Simplicity by Obfuscation: Evaluating LLM-Driven Code Transformation with Semantic Elasticity [4.458584890504334]
  コードの難読化は、リバースエンジニアリングと知的財産の盗難を防ぐことを目的としている。 近年の大規模言語モデルの発展は、様々な分野における実践的応用の道を開いた。 この研究は、LLMがPythonのソースコードを難読化する能力について実証的研究を行った。
  論文  参考訳（メタデータ） (2025-04-18T18:29:23Z)
• 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)
• Multilingual Contrastive Decoding via Language-Agnostic Layers Skipping [60.458273797431836]
  対照的なレイヤ(DoLa)によるデコーディングは、大規模言語モデルの生成品質を改善するために設計されている。 このアプローチは英語以外のタスクではうまくいきません。 モデルの前方通過における言語遷移に関する従来の解釈可能性の研究から着想を得て,改良されたコントラスト復号アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2024-07-15T15:14:01Z)
• Contrastive Code Representation Learning [95.86686147053958]
  一般的な再構成に基づくBERTモデルは,ソースコードの編集に敏感であることを示す。 コントラコード(ContraCode)は、コード機能を学ぶのにフォームではなく、コントラスト的な事前学習タスクである。
  論文  参考訳（メタデータ） (2020-07-09T17:59:06Z)

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。