[發明專利]一種混源軟件中開源成分檢測的方法和系統

有效

• 申請號: 202111286072.3
• 申請日: 2021-11-02
• 公開（公告）號: CN113721978B
• 公開（公告）日: 2022-02-11
• 發明（設計）人: 張濤;陳鐘
• 申請（專利權）人: 北京大學
• 主分類號: G06F8/77
• 分類號: G06F8/77
• 代理公司: 北京萬象新悅知識產權代理有限公司 11360
• 代理人: 賈曉玲

1.一種混源軟件中開源成分檢測的方法，其特征在于，該方法包括：

獲取第一源碼文件；所述第一源碼文件，是指目標混源軟件中的源碼文件；

根據第一源碼文件的大小分別對所述第一源碼文件執行相應的同源分析；

其中，對于大小超過第一閾值的第一源碼文件，基于Simhash算法對其進行同源分析：

定義一個Simhash函數h₁，基于所述第一源碼文件的代碼生成所述第一源碼文件的第一Simhash值，將所述第一源碼文件的第一Simhash值與指紋庫中的第二Simhash值逐一進行匹配分析，確定所述第一源碼文件是否與指紋庫中的第二Simhash值所對應的源碼文件同源；其中，所述的第二Simhash值，是指根據第二源碼文件的代碼基于Simhash函數h₁分別生成并存儲于指紋庫的Simhash值；

對于大小不超過第一閾值的第一源碼文件，基于Minhash算法對其進行同源分析：

獲取第三源碼文件；根據所述第一源碼文件、第三源碼文件的代碼生成所述第一源碼文件、第三源碼文件的簽名集合，并據此構建所述簽名集合的特征矩陣；定義一個Minhash函數h₂，基于所述特征矩陣和Minhash函數h₂估算所述第一源碼文件與第三源碼文件的簽名集合間的Jaccard相似度，確定所述第一源碼文件是否與第三源碼文件同源；其中，基于所述特征矩陣和Minhash函數h₂估算相似度來確定所述第一源碼文件是否與第三源碼文件同源的過程，具體包括：對所述特征矩陣進行相應的打亂處理，基于Minhash函數h₂獲得所述第一源碼文件與第三源碼文件的最小哈希簽名矩陣；基于所述最小哈希簽名矩陣，分別估算所述第一源碼文件與各個第三源碼文件的簽名集合間的Jaccard相似度，來分別確定所述第一源碼文件是否與各個第三源碼文件同源；或，對所述特征矩陣進行相應的打亂處理，基于Minhash函數h₂獲得所述第一源碼文件與第三源碼文件的最小哈希簽名矩陣；基于所述最小哈希簽名矩陣，采用LSH算法找出其簽名集合與所述第一源碼文件的簽名集合的Jaccard相似度超過第二閾值的第三源碼文件；其中，若有其簽名集合與第一源碼文件的簽名集合的Jaccard相似度超過第二閾值的第三源碼文件，判定所述第三源碼文件與第一源碼文件同源；若無其簽名集合與第一源碼文件的簽名集合的Jaccard相似度超過第二閾值的第三源碼文件，則判定源碼庫中無與所述第一源碼文件同源的第三源碼文件；

其中，所述第二源碼文件，是指源碼庫中大小超過第一閾值的源碼文件；所述第三源碼文件，是指源碼庫中大小不超過第一閾值的源碼文件；所述的源碼庫，是指收集源碼文件、并分類存儲所述收集的源碼文件而生成的源代碼倉庫；所述的Simhash函數h₁、Minhash函數h₂，是指任一的Simhash函數、Minhash函數。

2.根據權利要求1所述的方法，其特征在于，

基于所述第一Simhash值與指紋庫中的第二Simhash值的匹配來確定所述第一源碼文件是否與所述第二Simhash值所對應的源碼文件同源，包括：分別計算所述第一Simhash值與指紋庫中的各個第二Simhash值之間的海明距離，來判斷所述第一源碼文件與所述第二Simhash值對應的源碼文件之間的相似程度，并據此判斷二者是否同源。