中大本科生反制热门AI逆向项目REA 推出BLA让逆向成本暴增

AI逆向工具的威胁与反制方案

AI逆向工具REA在GitHub平台上线仅一周就收获超10万星标，迅速引发行业关注。它的强大逆向能力让不少开发者感慨“软件已死”，同时也被舆论视作2026年度最热开源项目，甚至是最具风险的开源项目之一。

针对这一工具带来的安全威胁，一位中山大学软件工程专业的大三学生推出了名为BLA的反制项目，旨在让AI逆向Agent“失明”，从而抵御REA的攻击。

BLA是一套MCP服务与CLI工具，目前已获得3900+星标和476次复刻。其反制策略包含三个核心环节：投毒、耗尽预算、诱导误判，这套组合拳能让逆向BLA加固后的软件所需的AI Token消耗量暴增300-2800倍。

核心反制手段

REA的逆向逻辑通常是：分析器先从文件中提取模块、函数与调用关系，编程Agent再根据这些结果决定查询方向与功能解释。而BLA主打逐层击破，通过植入虚假线索和触发工具上限的方式，让逆向过程陷入无效消耗。

手段一：诱饵投毒——BLA会在被保护的文件中植入格式逼真的虚假线索，消耗逆向工具的Token。典型例子是伪造的Source Map：网页JavaScript经打包压缩后，代码会挤在几行中，而Source Map能映射代码位置，是逆向的重要路标。BLA生成的虚假映射会虚构源码路径与代码片段，比如把普通客户端代码伪装成调用硬件安全区的逻辑，附带虚假远程认证接口与注释，诱导Agent沿着不存在的调用链浪费资源。此外，还会植入假凭据、假诊断信息、虚假授权分支等诱饵。

手段二：触发分析器配额上限——这一步是直接触发逆向工具的硬编码配额限制，使其报错。以Electron常用的.asar包为例，其包头有记录文件列表的索引，BLA会在加固时向索引中塞入约4000条路径长、内容短的诱饵文件，大幅增大索引体积。测试显示，对一个607字节的.asar包进行BLA加固后，文件体积增至16.93MiB，远超REA的默认上限，导致读取失败报错。不过这个上限可手动调高，且加固会增大文件体积。

项目效果数据

项目作者通过实测与估算得出，13组对照测试中，7组在关键步骤报错或被拒绝，2组返回部分结果，1组仅在指定查询时报错，其余3组未被阻断；内部测试显示，加固后逆向的Token消耗约为原有的300-2800倍，用GitHub的14个示例估算，总Token消耗约为加固前的639.5倍，总费用约为304.4倍。

开发者背景

BLA的主要开发者是Timo Zhang，目前是中山大学软件工程专业大三学生，同时在字节跳动实习。除了BLA，他还开发了一款名为“mu”的项目，这是一个基于树莓派构建的、用于减少Coding Agent Token消耗的小型模型；他也是LobeHub项目的贡献者，对校园生活也保持着较高的热情。

项目链接：https://github.com/qybaihe/bla/