基于N-gram的程序代碼抄襲檢測(cè)方法研究.pdf

1、信息網(wǎng)絡(luò)的飛速發(fā)展及電子文檔的廣泛使用給我們的生活帶來了巨大的影響,一些影響有利于我們生活的方向發(fā)展,而一些影響卻給我們的生活以及技術(shù)本身的發(fā)展帶來了負(fù)面作用。相比于傳統(tǒng)文件,電子文檔更容易被非法復(fù)制和抄襲,程序代碼抄襲現(xiàn)象已經(jīng)十分嚴(yán)重。為了維護(hù)高校正常教學(xué)秩序,保護(hù)軟件知識(shí)產(chǎn)權(quán),抑制抄襲現(xiàn)象的不斷蔓延,程序代碼抄襲檢測(cè)技術(shù)及應(yīng)用的研究具有重要意義。目前程序源代碼襲檢測(cè)研究領(lǐng)域中比較有效的源代碼抄襲檢測(cè)系統(tǒng)有JPLAG,YAP3和MOS

2、S系統(tǒng),但現(xiàn)有的抄襲檢測(cè)系統(tǒng)的檢測(cè)準(zhǔn)確率還有待提高,且難以處理大規(guī)模數(shù)據(jù)。
　　 針對(duì)程序代碼抄襲檢測(cè)準(zhǔn)確率問題,本文提出一種基于N-gram的程序代碼抄襲檢測(cè)算法,利用N-gram表示待檢測(cè)程序代碼文本,將程序代碼文本轉(zhuǎn)化成N-gram集合,統(tǒng)計(jì)N-gram的出現(xiàn)頻度,將N-gram集合和頻度放入向量空間中進(jìn)行相似度計(jì)算,這樣可以保留程序代碼的結(jié)構(gòu)信息和語義信息,提高程序代碼抄襲檢測(cè)的檢測(cè)準(zhǔn)確性。本文以美國圣約翰大學(xué)采集的51

3、36個(gè)學(xué)生VB程序作業(yè)為數(shù)據(jù)集與MOSS系統(tǒng)進(jìn)行對(duì)比實(shí)驗(yàn),實(shí)驗(yàn)結(jié)果證明基于N-gram的程序代碼抄襲檢測(cè)算法的檢測(cè)準(zhǔn)確率比MOSS系統(tǒng)有了一定的提高。
　　 針對(duì)程序代碼抄襲檢測(cè)效率問題,本文采用基于Fork/Join框架的并行算法來優(yōu)化檢測(cè)算法,因?yàn)镕ork/Join并行計(jì)算框架具有良好的線程控制機(jī)制,很好地處理了線程之間存在的饑餓、競(jìng)爭(zhēng)和死鎖等問題,十分適合小任務(wù)、大數(shù)據(jù)量的并行計(jì)算問題,且本文檢測(cè)算法需要進(jìn)行n*(n+m-