[發(fā)明專利]一種基于電力信息系統(tǒng)代碼文件的相似度檢測方法及系統(tǒng)

有效

• 申請?zhí)枺?/td>: 201910593863.7
• 申請日: 2019-07-03
• 公開（公告）號(hào): CN110471835B
• 公開（公告）日: 2022-07-19
• 發(fā)明（設(shè)計(jì)）人: 錢琳;俞俊;朱廣新;龐恒茂;任曉龍;胡鑫;許明杰;王琳;梅竹;陳海洋
• 申請（專利權(quán)）人: 南瑞集團(tuán)有限公司;國電南瑞科技股份有限公司;國網(wǎng)陜西省電力公司
• 主分類號(hào): G06F11/36
• 分類號(hào): G06F11/36;G06F40/194;G06F40/284;G06F40/30;G06K9/62
• 代理公司: 南京蘇高專利商標(biāo)事務(wù)所(普通合伙) 32204
• 代理人: 王恒靜

本發(fā)明公開了一種基于電力信息系統(tǒng)代碼文件的相似度檢測方法及系統(tǒng)，包括：獲取需要判別相似度的第一代碼文件和第二代碼文件，預(yù)處理后分別得到第一文本和第二文本；根據(jù)單詞的TF?IDF值得到所述文本語義詞向量，從所述第一文本和第二文本的函數(shù)調(diào)用入口開始，分別尋找所述第一文本和第二文本的函數(shù)調(diào)用樹結(jié)構(gòu)，并計(jì)算得到第一文本結(jié)構(gòu)向量和第二文本結(jié)構(gòu)向量；通過文本語義詞向量計(jì)算中間語義詞向量，將所述第一文本結(jié)構(gòu)向量和第二文本結(jié)構(gòu)向量取并集后，計(jì)算第一中間結(jié)構(gòu)向量和第二中間結(jié)構(gòu)向量；進(jìn)而得到所述第一文本和第二文本的相似度。本發(fā)明首先采用預(yù)處理函數(shù)對代碼文件進(jìn)行代碼精簡，提高檢測效率，降低檢測錯(cuò)誤率。

技術(shù)領(lǐng)域

本發(fā)明涉及代碼相似度檢測技術(shù)領(lǐng)域，具體涉及一種基于電力信息系統(tǒng)代碼文件的相似度檢測方法及系統(tǒng)。

背景技術(shù)

代碼相似度檢測技術(shù)目前最主要應(yīng)用于代碼的剽竊檢測上，是計(jì)算機(jī)軟件開發(fā)和維護(hù)活動(dòng)中一項(xiàng)重要任務(wù)，在源代碼剽竊檢測、軟件組件庫查詢、軟件缺陷檢測、程序理解等多個(gè)領(lǐng)域中有廣泛應(yīng)用。其不僅可以幫助教師檢測學(xué)生的程序作業(yè)抄襲情況，同時(shí)對軟件版權(quán)的鑒定也具有好的現(xiàn)實(shí)意義。

在發(fā)表于第六屆北美大學(xué)計(jì)算科學(xué)協(xié)會(huì)年會(huì)論文集“抄襲檢測度量元”(Metricsbased plagiarism monitoring.Paper presented at the 6th Annual CCSCNortheastern Conference,Middlebury VT.2001)一文中，瓊斯(Jones)總結(jié)了十種剽竊手段。分別為(1)逐字拷貝(2)更改注釋語句(3)更改空白區(qū)域(4)重新命名標(biāo)識(shí)符改變代碼塊的順序(6)改變代碼塊中語句的順序(7)改變表達(dá)式中操作符和操作數(shù)的順序(8)更改數(shù)據(jù)類型(9)增加冗余的語句和變量(10)用等價(jià)的控制結(jié)構(gòu)替換原有控制結(jié)構(gòu)。

從國內(nèi)外的研究現(xiàn)狀可以發(fā)現(xiàn)，國內(nèi)在對程序相似度判別研究相對較少，大部分集中在對中文分詞和語義的研究上。可以參考的工具有：北航高級程序課程教學(xué)輔助平臺(tái)中用于檢測學(xué)生提交程序作業(yè)是否抄襲的BUAASIM系統(tǒng)等。

國外目前已有許多軟件工具可用來檢測源程序是否抄襲，如美國斯坦福大學(xué)的MOSS系統(tǒng)、威奇塔州立大學(xué)的SIM系統(tǒng)、伊利諾伊大學(xué)的GPLAG系統(tǒng)、德國Karlsruhe大學(xué)的JPlag系統(tǒng)和澳大利亞悉尼大學(xué)的YAP3系統(tǒng)。目前最主要的代碼相似度檢測技術(shù)主要分為兩大類，屬性計(jì)數(shù)技術(shù)及結(jié)構(gòu)度量技術(shù)，包含如下幾種具體的方法：Textual comparison，Token comparison，Metric comparison，Comparison of abstract syntax trees(AST，抽象語法樹)，Comparison of program dependency graphs(PDG，程序依賴圖)及其他相關(guān)方法。

而在實(shí)際使用及研究中發(fā)現(xiàn)，目前主要流行的上述幾種方法各自存在其不同的缺陷。兩種token-based的方法和text-based的方法效果一般且相差不大。AST-based的方法效果表現(xiàn)很好，但算法流程復(fù)雜，難于實(shí)現(xiàn)且執(zhí)行時(shí)間長，且對于不同語言的匹配實(shí)現(xiàn)算法改動(dòng)較大，PDG-based的方法表現(xiàn)性能不佳。另有文章指出，上述五種方法均拒絕了大量真正的相似代碼，且其對于注入代碼等某些特殊情況檢測率低。

綜上，目前主流的代碼相似度檢測方法普遍存在檢測效果低、部分方法復(fù)雜執(zhí)行時(shí)間長、某些情況錯(cuò)誤率高以及難于應(yīng)用在不同編程語言上等問題。

發(fā)明內(nèi)容

發(fā)明目的：為了克服現(xiàn)有技術(shù)的不足，本發(fā)明提供一種基于電力信息系統(tǒng)代碼文件的相似度檢測方法及系統(tǒng)，可以解決在檢測代碼相似度過程中遇到的檢測效果低、部分方法復(fù)雜執(zhí)行時(shí)間長、某些情況錯(cuò)誤率高的問題。

技術(shù)方案：本發(fā)明所述的基于電力信息系統(tǒng)代碼文件的相似度檢測方法，該方法包括：

獲取需要判別相似度的第一代碼文件和第二代碼文件，預(yù)處理后分別得到第一文本和第二文本；