本文提出了一种名为“面向未定义编程”（Undefined-oriented Programming）的新型攻击技术，针对 Node.js 模板引擎中的原型污染（Prototype Pollution）漏洞。原型污染是一种允许攻击者修改 JavaScript 对象原型属性的漏洞，通常被认为是导致属性覆盖或拒绝服务的原因。然而，该研究揭示了一种更严重的威胁：通过将原型污染与模板引擎的特定功能相结合，攻击者可以构造出任意代码执行或数据泄露等恶意后果。论文首先系统化地定义了模板引擎中可利用的原型污染“小工具”（gadgets），即那些在特定输入下会被触发并产生安全影响的代码路径。其次，作者开发了一种自动化检测方法，能够从模板引擎的源代码中识别这些可能被链式调用的小工具。该方法结合了静态分析和动态验证，以确认污染属性是否能够实际影响模板渲染过程。最后，作者在多个流行的 Node.js 模板引擎上进行了实验，成功发现了若干可被利用的原型污染链，证明了该技术的实际有效性和广泛影响。此外，论文还讨论了如何缓解此类攻击，包括输入验证、原型冻结和沙箱隔离等防御策略。这项研究对于 Node.js 安全分析、模板引擎开发和安全工具设计具有重要意义。

该论文聚焦于JavaScript/Node.js生态中广泛存在的原型污染（Prototype Pollution）漏洞检测问题。原型污染漏洞允许攻击者通过操纵对象的原型链，在运行时注入恶意属性，从而导致拒绝服务、权限提升甚至远程代码执行。现有检测工具存在高误报、低覆盖或无法生成可利用PoC的问题。为此，作者提出了Bullseye——一个混合静态与动态分析的漏洞检测系统，能够自动为发现的漏洞生成概念验证（PoC）利用。Bullseye首先通过静态分析扫描NPM包中的可疑模式，并使用符号执行和污点传播来识别潜在的污染路径。随后，动态分析阶段在沙箱环境中实际执行PoC，验证漏洞的可利用性。在包含超过1500个流行NPM包的测试集上，Bullseye发现了124个之前未知的原型污染漏洞（其中98个已被确认），相比现有工具（如CodeQL、Prototype Pollution Scanner）召回率提升32%，误报率降低47%。所有发现的漏洞均已负责任地披露给相关维护者。实验还表明，Bullseye的PoC生成能力有效降低了安全团队验证漏洞的时间成本。

A prototype pollution vulnerability affects example-js < 3.5.0. Dependents that merge untrusted input may be impacted.