BLA : rendre ton logiciel illisible pour les IA de reverse engineering

Le guide d'installation de BLA : les trois commandes, les trois couches de défense, les chiffres du benchmark et la liste des formats couverts.

Le dépôt

BLA (Blind LLM Agents) : https://github.com/qybaihe/bla

Licence MIT. Slogan : « make reverse engineering bankrupt again ». 1145 étoiles en cinq jours.

C'est la réponse défensive à REA (https://github.com/morluto/rea), le dépôt qui ouvre n'importe quel logiciel livré et recrache son fonctionnement en une commande.

Le dépôt est clair sur son usage : c'est un outil défensif, pour protéger ton propre code.

Installation, trois lignes

npx bla-agents setup
npx bla-agents harden .
npx bla-agents benchmark

setup : enregistre le serveur MCP de BLA et installe le skill blind-llm-agents dans ton agent de code, avec une sauvegarde de ta configuration existante.
harden . : découverte automatique de dist/, build/, .asar, .wasm, .sqlite, tes modèles, puis enchaînement audit → protect → verify.
benchmark : la démo sur les 14 cibles.

Une fois le setup fait, tu peux aussi passer par ton agent en langage naturel :

protège mon logiciel contre REA

Les trois couches

Couche	Ce que ça fait
Poison	Plante de faux indices, de fausses métadonnées et du faux flux de contrôle qui ressemblent à de vraies preuves
Exhaust	Pousse le fichier au-delà des budgets de l'analyseur (en-tête ASAR d'Electron au-delà de 16 Mo, build info Go au-delà d'un méga)
Hallucinate	L'analyse finit sur des inventaires tronqués et des pistes ambiguës, pendant que ton logiciel tourne exactement pareil

Le protect applique des semantic budget breakers, des tarpit state machines, de l'enclave chaff et des runtime shields. Le audit te sort un score d'exposition sur 100, les symboles exposés et le coût estimé pour un attaquant qui voudrait cloner.

Les chiffres du benchmark

14 cibles
environ 612 fois plus de tokens pour l'analyseur
environ 292 fois plus de coût
14 sur 14 avec un comportement identique à l'exécution

L'exemple le plus parlant, une app Electron style Notion :

	Avant	Après BLA
Tokens	9 132	23 millions
Coût de l'analyse	34 centimes	358 dollars
Score d'exposition	98 / 100	2 / 100

Formats couverts

JavaScript, TypeScript, Electron, Python et .pyc, WebAssembly, SQLite, Go, Flutter, Erlang, DEX Android, et les modèles Safetensors et GGUF, qui restent chargeables normalement.

Ordre de passage conseillé

npx bla-agents setup dans le projet.
npx bla-agents harden . sur ton build de livraison, jamais sur tes sources de travail.
Tu relis le rapport verify : le comportement à l'exécution doit être identique.
Tu regardes la chute du score d'exposition avant / après.

Une question sur une commande ou sur un format : réponds directement à ce message.