1. 项目概述：当AI遇上前端加密逆向
最近在搞Web安全测试，特别是渗透测试和漏洞挖掘时，前端加密算法这块硬骨头真是让人又爱又恨。爱的是，它往往是核心业务逻辑的保护壳，一旦突破，价值巨大；恨的是，面对那些经过混淆、压缩、甚至自定义的JavaScript加密函数，手动逆向分析耗时耗力，效率极低。一个登录接口的加密参数，可能就得花上半天甚至更久去跟代码、下断点、分析逻辑。
于是，一个想法自然就冒出来了：能不能让AI来干这个活？不是那种简单的脚本辅助，而是真正实现一个智能化的、端到端的自动化逆向分析流程。这个项目，就是围绕“AI自动化实现前端加密算法逆向分析”展开的一次深度探索。它的核心目标，是利用人工智能技术，特别是自然语言处理（NLP）和程序分析（Program Analysis）的能力，自动识别、理解并逆向出前端JavaScript代码中的加密算法逻辑，最终生成可复用的解密函数或关键参数提取规则。
这不仅仅是写个爬虫抓个包那么简单。它要解决的是从“看到一堆乱码JS”到“清楚知道这个 encryptData 函数如何工作”之间的认知鸿沟。对于安全研究员、渗透测试工程师、甚至前端开发（想了解第三方库或做代码审计）来说，这都是一件能极大提升效率的“利器”。想象一下，把目标网站的登录请求丢给系统，它自动分析出加密方式（比如AES-CBC，密钥是某个动态生成的字符串），并给出对应的Python或Node.js解密代码，这能省下多少喝咖啡（其实是熬夜）的时间。
2. 核心思路与技术选型
要实现这个目标，我们不能蛮干，得有一套清晰的、分层的技术架构。整个流程可以拆解为几个核心阶段： 代码获取与预处理 、 关键函数定位与提取 、 AI辅助的代码理解与逻辑还原 ，以及最终的 算法复现与验证 。
2.1 整体架构设计
一个健壮的自动化系统，必须考虑鲁棒性和可扩展性。我设计的核心流程如下：
2.2 为什么选择Playwright + AI模型？
在工具选型上，我经过了多轮对比和实测。
浏览器自动化方面 ，早期考虑过Selenium，但其对现代Web应用（尤其是大量使用Shadow DOM、复杂事件监听的应用）的支持和调试能力不如Playwright和Puppeteer。Puppeteer只支持Chromium系，而Playwright支持Chromium、Firefox、WebKit三大引擎，对于需要应对不同环境或检测浏览器特异性代码的场景更有优势。更重要的是，Playwright的 网络监听（ page.on(\’request\’) ） 和 执行上下文追踪（ page.evaluateOnNewDocument 结合 console.trace 注入） 功能非常强大，能精准地捕获请求发起时刻的调用栈，这是逆向定位加密函数的关键。
AI模型方面 ，这是项目的灵魂。纯粹的规则匹配（如搜索 CryptoJS 、 encrypt 等关键词）太脆弱，无法应对混淆、重命名或自定义实现。我们需要一个能“理解”代码语义的模型。有几种路径：
- 基于预训练代码模型微调 ：这是目前最可行的方案。像CodeBERT、CodeT5、或更强大的开源模型如StarCoder、DeepSeek-Coder，它们在海量代码上预训练，对编程语言的语法、语义有深刻理解。我们可以收集一个高质量的前端加密代码数据集（包括常见库使用和自定义实现），对模型进行微调，让它学会识别加密模式。例如，输入一段代码，让它输出结构化标签： {\”algorithm\”: \”AES-CBC\”, \”key_source\”: \”window._globalKey\”, \”iv\”: \”fixed_string_12345678\”, \”padding\”: \”PKCS7\”} 。
- 大语言模型（LLM）提示工程 ：直接使用GPT-4、Claude-3或开源的Llama 3等模型，通过精心设计的提示词（Prompt）让其分析代码。优点是无需训练，灵活性强。缺点是对长代码上下文有限制、分析深度可能不足、每次调用有成本且速度慢，不适合全自动化流水线。它可以作为辅助或对疑难代码进行“专家会诊”。
- 符号执行与动态分析 ：这是更传统但强大的程序分析技术。通过构建代码的抽象语法树（AST），进行数据流分析，追踪密钥、明文等敏感数据的传递路径。这种方法非常精确，但实现复杂，对混淆代码的抗性较弱，且容易遇到路径爆炸问题。
综合考虑开发周期、效果和可落地性，我选择了 “微调专用代码模型”为主，“LLM提示工程”为辅 的混合策略。核心的、常见的模式由专用模型快速、准确地识别；遇到极其复杂或新颖的混淆，再调用LLM进行深度推理。
注意 ：微调模型需要高质量的数据集。我们可以从公开的CTF题目、GitHub上的前端加密示例、以及自己构造的样本中获取。数据需要清洗、去重，并打好精细的标签。这是一个费时但至关重要的基础工作。
3. 核心模块实现细节
3.1 动态捕获与代码关联
这是整个系统的“眼睛”。目标是：当用户在页面上点击登录时，不仅能抓到加密后的请求体，还要知道是哪个JS函数生成了它。
import asyncio
from playwright.async_api import async_playwright
async def capture_encrypted_request(url, action_selector):
\”\”\”
捕获目标动作触发的加密请求及其调用栈。
:param url: 目标页面URL
:param action_selector: 触发加密操作的按钮选择器，如 \’#login-btn\’
\”\”\”
async with async_playwright() as p:
# 使用Chromium，可配置为 headless=False 便于调试
browser = await p.chromium.launch(headless=True)
context = await browser.new_context()
page = await context.new_page()
# 关键：监听所有请求
target_request = None
target_stack = None
def on_request(request):
nonlocal target_request, target_stack
# 筛选感兴趣的请求，例如包含特定路径或方法
if \’/api/login\’ in request.url and request.method == \’POST\’:
target_request = request
# 尝试从请求初始化信息中获取堆栈（需配合注入脚本）
# 这里是一个简化示
