[發(fā)明專利]基于代碼映射和詞法分析的大規(guī)模程序相似性快速檢測(cè)與證據(jù)生成方法

有效

• 申請(qǐng)?zhí)枺?/td>: 201811237212.6
• 申請(qǐng)日: 2018-10-23
• 公開（公告）號(hào): CN109542766B
• 公開（公告）日: 2020-08-18
• 發(fā)明（設(shè)計(jì)）人: 劉烴;賈昂;徐茜;范銘;魏聞?dòng)?/a>;樓雋真
• 申請(qǐng)（專利權(quán)）人: 西安交通大學(xué)
• 主分類號(hào): G06F11/36
• 分類號(hào): G06F11/36
• 代理公司: 西安通大專利代理有限責(zé)任公司 61200
• 代理人: 田洲

本發(fā)明公開一種基于代碼映射和詞法分析的大規(guī)模程序相似性快速檢測(cè)與證據(jù)生成方法，采用兩層相似性檢測(cè)方法對(duì)大規(guī)模的軟件樣本進(jìn)行抄襲檢測(cè)與證據(jù)生成：首先使用代碼映射方法對(duì)大規(guī)模程序進(jìn)行粗粒度的相似性分析，快速搜索疑似相似的程序；然后采用詞法分析對(duì)于可疑的相似程序進(jìn)行細(xì)粒度分析，判定程序相似性和生成相似代碼證據(jù)。通過以上方法，可以快速準(zhǔn)確地在大規(guī)模樣本找到抄襲代碼，并提供相應(yīng)的證據(jù)以作支撐。

技術(shù)領(lǐng)域

本發(fā)明涉及源代碼程序分析及軟件抄襲檢測(cè)技術(shù)領(lǐng)域，特別涉及一種多層的源代碼程序相似度檢測(cè)方法。

背景技術(shù)

隨著計(jì)算機(jī)軟件產(chǎn)業(yè)的迅速發(fā)展，軟件的安全問題得到了越來越多的研究人員、教育人員及軟件企業(yè)的重視。而計(jì)算機(jī)軟件的開源，給軟件的抄襲帶來了更便利的條件。近幾年來，各類軟件侵權(quán)案件時(shí)有發(fā)生，Google、Apple、eBay等都曾卷入到相關(guān)案件中。

為了對(duì)抗軟件抄襲案件，保護(hù)軟件知識(shí)產(chǎn)權(quán)，國內(nèi)外的研究人員提出了大量的軟件抄襲檢測(cè)技術(shù)。以應(yīng)用場(chǎng)景和技術(shù)手段作為基準(zhǔn)，可將現(xiàn)有的軟件抄襲檢測(cè)技術(shù)歸為三類：源碼抄襲檢測(cè)技術(shù)，基于軟件水印的抄襲檢測(cè)技術(shù)，以及基于軟件胎記的抄襲檢測(cè)技術(shù)。目前發(fā)展最為成熟、使用最為廣泛的是源碼檢測(cè)技術(shù)。

但是，目前的源代碼抄襲檢測(cè)技術(shù)存在一系列的局限性：

1)目前大部分源碼檢測(cè)技術(shù)都面向小規(guī)模的抄襲檢測(cè)，無法滿足大規(guī)模抄襲檢測(cè)場(chǎng)景下的快速檢測(cè)需要；

2)混淆技術(shù)的發(fā)展增加軟件抄襲檢測(cè)的難度，會(huì)使得一部分的抄襲檢測(cè)技術(shù)失效；

3)現(xiàn)有的很多抄襲檢測(cè)技術(shù)都只是提供了一個(gè)簡(jiǎn)單的結(jié)果，并沒有提供具體有力的抄襲證據(jù)；

4)現(xiàn)有的抄襲檢測(cè)技術(shù)很難做到檢測(cè)精度和時(shí)間開銷的同步優(yōu)化，很多抄襲檢測(cè)方法不能投入應(yīng)用。

發(fā)明內(nèi)容

本發(fā)明的內(nèi)容在于提出一種基于代碼映射和詞法分析的大規(guī)模程序相似性快速檢測(cè)與證據(jù)生成方法，以解決上述技術(shù)問題。本方法采用兩層相似性檢測(cè)方法對(duì)大規(guī)模的軟件樣本進(jìn)行抄襲檢測(cè)與證據(jù)生成：首先使用代碼映射方法對(duì)大規(guī)模程序進(jìn)行粗粒度的相似性分析，快速搜索疑似相似的程序；然后采用詞法分析對(duì)于可疑的相似程序進(jìn)行細(xì)粒度分析，判定程序相似性和生成相似代碼證據(jù)。通過以上方法，可以快速準(zhǔn)確地在大規(guī)模樣本找到抄襲代碼，并提供相應(yīng)的證據(jù)以作支撐。

為了實(shí)現(xiàn)上述目的，本發(fā)明采用以下技術(shù)方案：

基于代碼映射和詞法分析的大規(guī)模程序相似性快速檢測(cè)與證據(jù)生成方法，包括如下步驟：

1)、基于代碼映射的疑似相似程序搜索：

步驟S101：通過分析待檢測(cè)樣本集A和源代碼樣本集B中樣本程序的代碼，獲取每一個(gè)樣本程序的第三方庫調(diào)用信息和詞頻信息；基于代碼映射思想，將樣本程序的第三方庫調(diào)用信息和詞頻信息轉(zhuǎn)化為一個(gè)向量；對(duì)待檢測(cè)樣本集A，生成樣本程序的向量集A^*；對(duì)源代碼樣本集B，生成所有樣本程序的向量集C；

步驟S102：將向量集C中的程序的向量表示作為輸入，程序的源代碼相似性作為標(biāo)簽，采用機(jī)器學(xué)習(xí)方法訓(xùn)練相似計(jì)算網(wǎng)絡(luò)，用于根據(jù)程序的向量表示判定程序代碼相似性；

步驟S103：利用步驟S102訓(xùn)練得到的相似計(jì)算網(wǎng)絡(luò)，對(duì)向量集C和待檢測(cè)樣本集A中的每一個(gè)樣本的向量表示進(jìn)行相似度計(jì)算和相似性判定，得到向量集C和樣本集A的向量集的相似關(guān)系；

步驟S104：對(duì)于待檢測(cè)樣本集A中的每一個(gè)程序，如果在源代碼樣本集B中不存在與其有相似關(guān)系的樣本，將歸類到無顯著相似性的程序樣本集A₁中；如果存在，將該樣本與相似樣本歸類為可疑樣本集A′，并保留其抄襲關(guān)系；

2)、基于詞法分析的程序相似判定與證據(jù)生成：