程序代碼相似度度量研究.pdf

1、計算機程序代碼相似度的自動度量，不僅可以幫助教師檢查學(xué)生作業(yè)中的抄襲現(xiàn)象，還可以輔助實現(xiàn)作業(yè)批改或試卷評閱的自動化，對程序代碼版權(quán)的輔助鑒別也具有很重要的現(xiàn)實意義。 本文討論了目前常用的程序代碼相似度度量技術(shù)：屬性計數(shù)技術(shù)和結(jié)構(gòu)度量技術(shù)，并介紹了幾個國外已有的程序代碼抄襲檢測系統(tǒng)。 本研究主要是針對程序代碼進行相似度度量，由于程序設(shè)計語言固有的特性，如：語言成分較少，針對每門具體的語言都只有有限多個關(guān)鍵字，結(jié)構(gòu)簡單等，且

2、國外的相關(guān)技術(shù)也比較成熟，所以與自然語言文本相似度的度量相比要簡單一些。 本研究設(shè)計了一個實驗系統(tǒng)，主要用于檢查用C/C++語言編寫的程序代碼文件之間的相似度。 實驗系統(tǒng)首先對程序代碼作預(yù)處理，去掉對相似度度量結(jié)果無影響的成分，如程序中的注釋、空行以及文字部分等。然后掃描預(yù)處理后的程序代碼并對其作簡單的語法分析，將其轉(zhuǎn)換為包含程序結(jié)構(gòu)信息的標(biāo)記字符串?？紤]到系統(tǒng)的擴展性，所以使用了XML文檔描述程序設(shè)計語言的語法，即用X

3、ML文檔定義什么是標(biāo)記以及程序代碼與標(biāo)記字符串之間的轉(zhuǎn)換規(guī)則。最后通過GST字符串匹配算法對得到的標(biāo)記字符串作比較，并根據(jù)比較結(jié)果給出它們之間匹配程度的數(shù)值表示，以此作為程序代碼相似度的度量值。該值越大說明程序代碼越相似，存在抄襲的可能性也越高。GST算法的一個最大優(yōu)點是，程序代碼中某些代碼段位置的變化并不影響最終的匹配結(jié)果。對于相似度度量結(jié)果值較高的程序?qū)Γ瑢嶒炏到y(tǒng)會根據(jù)用戶的選擇自動打開每對程序代碼文件，并用醒目的顏色標(biāo)記出相似或相