该论文针对JavaScript恶意代码混淆与反混淆领域展开研究。随着JavaScript的广泛使用，攻击者利用复杂混淆技术隐藏恶意行为，而现有反混淆工具普遍存在输入格式支持有限、只能处理特定混淆类型、输出结果难以理解等缺陷，严重制约了实际安全分析效果。为此，作者提出了JSIMPLIFIER，一种综合性JavaScript反混淆工具。其核心架构采用多阶段流水线，包括预处理、基于抽象语法树的静态分析、动态执行跟踪以及大语言模型增强的标识符重命名。此外，论文设计了多维度的评估指标，综合控制流与数据流分析、代码简化程度、熵度量以及基于大语言模型的可读性评估，以更全面衡量反混淆效果。研究团队构建并公开了迄今规模最大的真实混淆JavaScript数据集，包含44,421个样本（其中23,212个为真实恶意样本，21,209个为良性样本）。实验结果表明，JSIMPLIFIER在20种混淆技术上处理能力达到100%，在评估子集上正确率为100%，代码复杂度降低88.2%，并通过多个大语言模型验证实现超过4倍的可读性提升。该成果为JavaScript反混淆研究树立了新的基准，并具备实际安全应用价值。适合对恶意脚本分析、代码反混淆、大语言模型安全应用感兴趣的研究人员与安全工程师阅读。