该论文聚焦于基于大语言模型的恶意 npm 包检测中的一个关键盲区:LLM 的上下文窗口有限,而攻击者可以利用 JavaScript 混淆制造极高的 token 密度,或把恶意代码与良性代码打包(bundling)在一起,使文件体积膨胀、超出可分析范围。检测器因此在实践中会直接跳过超大文件,或虽读取却无法理解其中的恶意逻辑,造成漏报——这构成一条可被攻击者主动利用的规避面(论文提及近期 Shai-Hulud 供应链攻击中,LLM 恶意包检测已体现实战价值)。 针对该问题,作者提出 CASHEWS,一个置于检测器之前的 JavaScript 源代码预处理器。其核心思路是不将原始文件直接送入 LLM,而是先重写为只保留与判定恶意意图相关、且不易误导模型的紧凑表示。具体包含四个环节:(1) 通过迭代解码对混淆代码进行反混淆;(2) 抽取被打包的模块以及运行时动态执行的代码,让被隐藏的代码重新进入分析视野;(3) 识别危险操作/污点汇聚点(sink),并计算能够到达这些 sink 的后向切片,从而仅保留与潜在恶意行为相关的语句;(4) 对超长字面量与标识符进行缩写,进一步压缩 token 规模。 实验覆盖 512 个大体积包文件、两种扫描器类型与三个 LLM。结果显示,CASHEWS 将分析覆盖率从 69.1–85.7% 提升至 98.8–100%,漏报率最多降低 18.6 个百分点;预处理耗时中位数为 30 秒,并使整体分析成本净下降 34.6%。这意味着在同等甚至更低的分析成本下可以使用更强的模型进行检测,使注册表级别的全量 LLM 恶意包分析更具可行性。该工作适合 LLM 安全应用研究者、软件供应链检测方向的研究者与工程实践者阅读。