Humanify揭秘：AST与LLM融合重新定义JavaScript反混淆技术革命

Humanify揭秘：AST与LLM融合重新定义JavaScript反混淆技术革命

【免费下载链接】humanifyDeobfuscate Javascript code using ChatGPT项目地址: https://gitcode.com/gh_mirrors/hu/humanify

在当今前端工程化高度发展的时代，JavaScript代码压缩混淆已成为标准实践，但由此带来的可读性问题却严重阻碍了代码审计、逆向工程和技术学习。传统反混淆工具依赖静态规则和模式匹配，难以应对复杂的语义理解需求。Humanify项目通过将抽象语法树（AST）结构化分析与大语言模型（LLM）语义理解能力深度融合，重新定义了JavaScript反混淆的技术范式，实现了从"形式还原"到"语义恢复"的颠覆性创新。

核心理念：AST精确解析与LLM智能推理的技术融合

Humanify的核心设计理念建立在两个技术支柱之上：一是基于OXC编译器的AST精确解析能力，二是LLM对代码语义的深度理解能力。这种技术融合解决了传统反混淆工具无法处理的核心难题——为无意义标识符赋予有意义的语义名称。

AST解析：代码结构的精准拆解

Humanify利用Rust编写的OXC编译器套件进行代码解析，构建完整的抽象语法树表示。通过作用域分析和符号表管理，系统能够精确识别每个标识符的声明位置、使用范围和生命周期。这种结构化分析为后续的智能重命名提供了准确的上下文信息。

// 核心AST遍历与符号收集逻辑 let mut entries: Vec<(SymbolId, u32, u32)> = { let scoping = semantic.scoping(); let nodes = semantic.nodes(); scoping .symbol_ids() .map(|sym_id| { let decl_node_id = scoping.symbol_declaration(sym_id); let sym_name = scoping.symbol_name(sym_id); let span = scoping.symbol_span(sym_id); let binding_scope = scoping.symbol_scope_id(sym_id); // 计算作用域大小用于排序 let ctx_span = find_binding_ancestor_span( nodes, scoping, decl_node_id, sym_name, source, binding_scope ); let size = ctx_span.end.saturating_sub(ctx_span.start); (sym_id, size, span.start) }) .collect() };

LLM智能推理：语义化名称生成

系统通过精心设计的提示工程，将AST提取的上下文信息转化为LLM可理解的语义描述。每个标识符的周围代码片段被截取并作为上下文提供给LLM，模型基于代码逻辑和命名惯例生成语义化的变量名。

// LLM提示词构建与调用 const SYSTEM_PROMPT: &str = "You are a senior software engineer reviewing minified or obfuscated JavaScript. Your job is to assign a single descriptive identifier name based on how the variable is used in the surrounding code. Return JSON only."; let user = format!( "Surrounding code:\n```javascript\n{surrounding_code}\n```\n\nThe identifier currently named `{original}` appears in this code. Suggest a single descriptive replacement name. Rules:\n- camelCase for variables and functions, PascalCase for classes/constructors\n- ASCII letters, digits, underscores only; first character must be a letter or underscore\n- Avoid JavaScript reserved words\n- If the current name is already meaningful, return it unchanged" );

架构解析：模块化设计与多LLM提供商支持

Humanify采用高度模块化的架构设计，将AST解析、LLM集成、重命名逻辑和命令行接口清晰分离，支持多种LLM服务提供商的无缝切换。

核心模块架构

多LLM提供商支持策略

Humanify通过统一的JsonStrategytrait抽象了不同LLM提供商的接口差异，实现了OpenAI、Anthropic、Google Gemini、OpenRouter和本地Ollama模型的无缝集成。这种设计使得用户可以根据需求选择最适合的模型，同时保持了代码的一致性和可维护性。

#[async_trait] pub trait JsonStrategy: Send + Sync { /// 发送系统提示+用户提示给LLM，请求符合schema的JSON响应 async fn call(&self, system: &str, user: &str, schema: &Value) -> Result<Value, StrategyError>; /// 用于日志记录和--json-mode标志匹配的人类可读名称 fn name(&self) -> &'static str; }

智能重命名工作流程

1. 代码解析阶段：使用OXC编译器将JavaScript代码转换为AST
2. 作用域分析：识别所有标识符及其作用域范围，按作用域大小排序
3. 上下文提取：为每个标识符提取周围的代码片段作为语义上下文
4. LLM推理：调用选定的LLM提供商生成语义化名称建议
5. 冲突处理：检查命名冲突，必要时添加前缀确保唯一性
6. 代码生成：应用重命名结果，生成最终的反混淆代码

应用场景：从代码审计到技术学习的多维度价值

代码安全审计与逆向工程

对于安全研究人员和代码审计人员，Humanify能够将混淆后的第三方库或恶意代码恢复为可读形式，显著提高分析效率。传统工具只能恢复代码结构，而Humanify还能恢复变量名的语义含义，使代码逻辑更加清晰。

技术学习与代码理解

开发者可以使用Humanify学习优秀开源项目的实现细节，即使项目使用了激进的压缩混淆。通过语义化重命名，学习者能够更快理解代码的设计思路和实现逻辑。

遗留代码维护

对于历史项目中缺乏文档的混淆代码，Humanify能够帮助团队快速理解代码意图，降低维护成本，特别是在团队成员变更或技术栈迁移的场景下。

性能对比分析

未来展望：技术演进与生态扩展

模型优化与成本控制

随着本地LLM模型的性能提升和成本下降，Humanify将进一步优化本地推理能力，降低对云端API的依赖。通过模型量化、推理优化等技术，实现在边缘设备上的高效运行。

多语言支持扩展

当前Humanify专注于JavaScript，但其架构设计具备良好的扩展性。未来可以扩展到TypeScript、Python、Java等其他语言的代码反混淆场景，构建统一的多语言智能代码理解平台。

集成开发环境插件

计划开发主流IDE（如VSCode、IntelliJ）的插件版本，将Humanify的能力直接集成到开发工作流中，实现实时代码反混淆和语义化提示。

社区驱动的规则库

建立社区贡献的命名规则库和最佳实践，通过众包方式积累不同领域的命名惯例，进一步提高重命名的准确性和专业性。

技术创新的核心价值

Humanify项目代表了代码理解技术的重要突破，将传统的静态分析与现代AI技术有机结合，解决了长期困扰开发者的代码可读性问题。其核心价值体现在：

1. 技术融合创新：AST精确解析与LLM语义理解的深度结合
2. 工程化实践：Rust实现的高性能单二进制文件，无运行时依赖
3. 开发者友好：简洁的Unix风格命令行接口，易于集成到现有工具链
4. 开放生态：支持多种LLM提供商，适应不同的部署环境和预算需求

快速体验指南

要体验Humanify的强大功能，只需简单几步：

# 克隆项目仓库 git clone https://gitcode.com/gh_mirrors/hu/humanify cd humanify # 构建项目（需要Rust工具链） cargo build --release # 使用OpenAI模型反混淆示例代码 ./target/release/humanify openai fixtures/example.min.js -o output.js

处理前的混淆代码（fixtures/example.min.js）：

function a(e,t){var n=[];var r=e.length;var i=0;for(;i<r;i+=t){if(i+t<r){n.push(e.substring(i,i+t))}else{n.push(e.substring(i,r))}}return n}

处理后的语义化代码（output.js）：

function splitString(inputString, chunkSize) { var chunks = []; var stringLength = inputString.length; var startIndex = 0; for (; startIndex < stringLength; startIndex += chunkSize) { if (startIndex + chunkSize < stringLength) { chunks.push(inputString.substring(startIndex, startIndex + chunkSize)); } else { chunks.push(inputString.substring(startIndex, stringLength)); } } return chunks; }

Humanify通过技术创新重新定义了JavaScript代码反混淆的标准，为开发者提供了从"机器可读"到"人类可理解"的桥梁。我们期待社区的参与和贡献，共同推动这项技术的发展，让更多开发者受益于智能化的代码理解工具。

【免费下载链接】humanifyDeobfuscate Javascript code using ChatGPT项目地址: https://gitcode.com/gh_mirrors/hu/humanify