Jalangi2 动态分析框架使用指南
1. 项目介绍
Jalangi2 是一个由 Samsung Research America 开发的开源项目,它是一个用于动态程序分析的 JavaScript 框架。通过 Jalangi2,开发者可以轻松地创建和运行自定义的分析,对 JavaScript 代码进行深入的调试和优化。Jalangi2 不支持 Jalangi1 的记录和重播功能,但它提供了更多的分析工具和插件,适用于各种 JavaScript 代码分析任务,例如安全漏洞检测、性能分析、代码变异测试等。
2. 项目快速启动
2.1 安装 Jalangi2
首先,你需要克隆 Jalangi2 的仓库并安装依赖:
git clone https://github.com/Samsung/jalangi2.git
cd jalangi2
npm install
2.2 运行测试
安装完成后,你可以运行一些测试来确保 Jalangi2 正确安装:
python scripts/test_traceall.py
python scripts/test_analysis.py
python scripts/test_dlint.py
2.3 使用 Jalangi2 进行分析
以下是一个简单的示例,展示如何使用 Jalangi2 对 JavaScript 文件进行分析:
node src/js/commands/jalangi.js --inlineIID --inlineSource --analysis src/js/sample_analyses/ChainedAnalyses.js --analysis src/js/sample_analyses/dlint/Utils.js --analysis src/js/sample_analyses/dlint/CheckNaN.js --analysis src/js/sample_analyses/dlint/FunCalledWithMoreArguments.js --analysis src/js/sample_analyses/dlint/CompareFunctionWithPrimitives.js --analysis src/js/sample_analyses/dlint/ShadowProtoProperty.js --analysis src/js/sample_analyses/dlint/ConcatUndefinedToString.js --analysis src/js/sample_analyses/dlint/UndefinedOffset.js tests/octane/deltablue.js
3. 应用案例和最佳实践
3.1 安全漏洞检测
Jalangi2 可以用于检测 JavaScript 代码中的安全漏洞。例如,你可以编写一个分析插件来检测代码中是否存在未处理的异常或潜在的 XSS 攻击。
3.2 性能分析
通过 Jalangi2,你可以捕获代码执行的各种行为,包括函数调用、属性读写等,从而进行性能分析。你可以编写一个分析插件来记录每个函数的执行时间和调用次数,帮助你识别性能瓶颈。
3.3 代码变异测试
Jalangi2 还可以用于代码变异测试,通过在代码中插入自定义的分析逻辑,你可以模拟各种异常情况,测试代码的健壮性。
4. 典型生态项目
4.1 Node.js
Jalangi2 可以与 Node.js 结合使用,对 Node.js 应用进行动态分析。你可以使用 Jalangi2 对 Node.js 应用进行性能分析、安全漏洞检测等。
4.2 Chrome 浏览器
Jalangi2 支持在 Chrome 浏览器中进行动态分析。你可以使用 Jalangi2 对 Web 应用进行分析,捕获代码执行的各种行为,帮助你进行调试和优化。
4.3 mitmproxy
Jalangi2 可以与 mitmproxy 结合使用,对通过代理服务器加载的 JavaScript 文件进行动态分析。你可以使用 mitmproxy 拦截和修改 HTTP 请求,然后使用 Jalangi2 对修改后的代码进行分析。
通过以上步骤,你可以快速上手 Jalangi2,并利用它进行各种 JavaScript 代码的动态分析。
ERNIE-4.5-VL-28B-A3B-ThinkingERNIE-4.5-VL-28B-A3B-Thinking 是 ERNIE-4.5-VL-28B-A3B 架构的重大升级,通过中期大规模视觉-语言推理数据训练,显著提升了模型的表征能力和模态对齐,实现了多模态推理能力的突破性飞跃Python00
Kimi-K2-ThinkingKimi K2 Thinking 是最新、性能最强的开源思维模型。从 Kimi K2 开始,我们将其打造为能够逐步推理并动态调用工具的思维智能体。通过显著提升多步推理深度,并在 200–300 次连续调用中保持稳定的工具使用能力,它在 Humanity's Last Exam (HLE)、BrowseComp 等基准测试中树立了新的技术标杆。同时,K2 Thinking 是原生 INT4 量化模型,具备 256k 上下文窗口,实现了推理延迟和 GPU 内存占用的无损降低。Python00
MiniMax-M2MiniMax-M2是MiniMaxAI开源的高效MoE模型,2300亿总参数中仅激活100亿,却在编码和智能体任务上表现卓越。它支持多文件编辑、终端操作和复杂工具链调用Python00
HunyuanVideo-1.5HunyuanVideo-1.5作为一款轻量级视频生成模型,仅需83亿参数即可提供顶级画质,大幅降低使用门槛。该模型在消费级显卡上运行流畅,让每位开发者和创作者都能轻松使用。本代码库提供生成创意视频所需的实现方案与工具集。00
MiniCPM-V-4_5MiniCPM-V 4.5 是 MiniCPM-V 系列中最新且功能最强的模型。该模型基于 Qwen3-8B 和 SigLIP2-400M 构建,总参数量为 80 亿。与之前的 MiniCPM-V 和 MiniCPM-o 模型相比,它在性能上有显著提升,并引入了新的实用功能Python00
Spark-Formalizer-X1-7BSpark-Formalizer 是由科大讯飞团队开发的专用大型语言模型,专注于数学自动形式化任务。该模型擅长将自然语言数学问题转化为精确的 Lean4 形式化语句,在形式化语句生成方面达到了业界领先水平。Python00
GOT-OCR-2.0-hf阶跃星辰StepFun推出的GOT-OCR-2.0-hf是一款强大的多语言OCR开源模型,支持从普通文档到复杂场景的文字识别。它能精准处理表格、图表、数学公式、几何图形甚至乐谱等特殊内容,输出结果可通过第三方工具渲染成多种格式。模型支持1024×1024高分辨率输入,具备多页批量处理、动态分块识别和交互式区域选择等创新功能,用户可通过坐标或颜色指定识别区域。基于Apache 2.0协议开源,提供Hugging Face演示和完整代码,适用于学术研究到工业应用的广泛场景,为OCR领域带来突破性解决方案。00