Với phần mềm CodeCompare, một sản phẩm
thương mại của công ty phát triển phần mềm
Devart (đối tác cung cấp phần mềm của các
tập đoàn lớn trên thế giới như Hitachi,
Siemens, Intel.), hầu hết các đoạn code
giống nhau được phát hiện, tuy nhiên chưa
chỉ ra được các biến có vai trò tương tự nhau.
Các phần khác nhau được đánh dấu đậm
hơn, các phần giống nhau hoàn toàn được
giữ nguyên.
TỔNG KẾT
Trên đây chúng tôi đã giới thiệu phương pháp
tìm phần chung của code, thuật toán tìm dãy
từ chung dài nhất và xây dựng chương trình
minh họa tính năng so sánh mã nguồn, đây là
những ứng dụng thực tế giúp ích cho người
lập trình hoặc giáo viên. những người làm
việc với code. Trong tương lai có thể áp dụng
cơ sở lý thuyết để phát triển ứng dụng thông
minh và tự động hơn, như tự động so sánh
code với các cơ sở dữ liệu sẵn có như Internet,
cơ sở dữ liệu bài thi có sẵn. Cuối cùng chúng
tôi xin gửi lời cảm ơn thạc sỹ Nguyễn Văn
Trường, khoa Toán, Đại học Sư phạm - Đại
học Thái Nguyên, đã có nhiều đóng góp giúp
chúng tôi thực hiện bài báo này
5 trang |
Chia sẻ: dntpro1256 | Lượt xem: 721 | Lượt tải: 0
Bạn đang xem nội dung tài liệu Ứng dụng thuật toán xâu con chung dài nhất trong so sánh mã nguồn chương trình, để tải tài liệu về máy bạn click vào nút DOWNLOAD ở trên
Trần Ngọc Hà và đtg Tạp chí KHOA HỌC & CÔNG NGHỆ 80(04): 109 - 113
109
ỨNG DỤNG THUẬT TOÁN XÂU CON CHUNG DÀI NHẤT
TRONG SO SÁNH MÃ NGUỒN CHƯƠNG TRÌNH
Trần Ngọc Hà1*, Triệu Hải Long1, Nguyễn Ngọc Tuấn2
1Trường Đại học Sư phạm, Đại học Thái Nguyên,
2 K17 Khoa học máy tính, Đại học Công Nghệ, Đại học Quốc gia Hà Nội
TÓM TẮT
Trong xử lý văn bản nói chung và mã nguồn chương trình nói riêng, việc tìm ra những phần giống
nhau trong các văn bản hay mã nguồn chương trình có vai trò khá quan trọng, nhất là khi cần phát
hiện sự sao chép code. Trong bài viết này, chúng tôi muốn giới thiệu thuật toán và các phương
pháp xử lí liên quan nhằm tìm ra những phần giống nhau trong các code với độ phức tạp về mặt
thời gian và chi phí bộ nhớ là tuyến tính, độ chính xác cao kể cả trong một số trường hợp đặc biệt.
Từ khóa: So sánh văn bản, xâu con chung dài nhất, mã nguồn, danh sách kề, sắp xếp đếm phân phối
MỞ ĐẦU*
Mã nguồn là một dãy các câu lệnh được viết
bằng một ngôn ngữ lập trình. Tìm phần chung
giữa các code được hiểu là tìm các đoạn code
có sự trùng lặp hoàn toàn hoặc một phần, có
thể về nội dung hoặc cấu trúc đoạn code. Khi
làm việc với code, nhất là code do người khác
viết ra (cùng nhóm, học sinh...), việc tìm ra
những phần giống nhau giúp giảm bớt thời
gian, chi phí thực hiện, phát hiện sự sao
chép... Tuy nhiên việc này gặp nhiều khó
khăn như sự phức tạp của các ngôn ngữ lập
trình, về mặt cú pháp, cách sử dụng câu
lệnh... ví dụ ngôn ngữ lập trình Pascal không
phân biệt kí tự thường và hoa, cản trở việc
nhận dạng từ. Ở mức cao hơn, việc so sánh
đoạn code gần giống nhau, như về câu lệnh,
cấu trúc (ví dụ đoạn code chỉ khác nhau ở tên
biến) hay có sự thêm bớt đoạn code khác thì
chỉ cần đưa ra đoạn giống nhau. Hiện nay đã
có nhiều nghiên cứu về so sánh văn
bản[2][3][6][7] nhưng các phương pháp đề
xuất chưa xử lí được với code. Để giải quyết
các vấn đề trên chúng tôi đề xuất thuật toán
xử lý được mô tả qua các bước như sau: Ta
tạm coi code là chuỗi kí tự đã loại bỏ kí tự
điều khiển, chú thích chỉ bao gồm các từ
khóa (ví dụ var, if, for), câu lệnh (=, >, <), giá
trị số coi là “từ”, và các “biến”. Giả sử code
mẫu là code1, code đem so sánh là code2.
*Tel: 0983.168.400; Email: hatn84@gmail.com
Bước 1: Loại bỏ phần không liên quan, sau
đó tách riêng các từ khóa, câu lệnh và biến
trong code.
Bước 2: Áp dụng thuật toán tìm dãy các từ
khóa, câu lệnh dài nhất xuất hiện ở cả 2 code
giữ thứ tự trước sau. Nếu có nhiều dãy như vậy
ưu tiên các dãy có từ xuất hiện gần nhau nhất.
Bước 3: Dựa vào dãy các từ chung nhau tìm
mối liên quan giữa các biến của code1 và
code2, từ đó đưa ra kết luận biến code1 tương
ứng biến code2 hay không.
Bước 4: Truy vết đánh dấu dãy từ chung rồi
đưa ra output.
Hình 1: Sơ đồ minh họa thuật toán
Tách từ: Phân lớp các từ trong code thành 2
lớp riêng biệt dựa vào từ điển từ khóa và đặc
trưng câu lệnh của ngôn ngữ lập trình.
Tách từ
code
Biến Từ
Code1 &
Code2
Tìm dãy từ
chung
Xử lý biến
Truy vết
Dãy con
chung dài
nhất
Trần Ngọc Hà và đtg Tạp chí KHOA HỌC & CÔNG NGHỆ 80(04): 109 - 113
110
Các biến có thể nhận biết dựa trên từ khóa
khai báo, tùy vào ngôn ngữ lập trình và công
cụ lập trình (IDE), có thể đi trước (C++)[4]
hoặc đi sau (Pascal)... Các phần không liên
quan cần loại bỏ để không đưa vào xử lí, ví
dụ như phần chú thích, kí tự điều khiển, dẫn
biên dịch, tiền xử lý...
Tìm dãy chung: Việc sử dụng liên tiếp các
câu lệnh giống nhau cho thấy có sự trùng lặp
trong code, ta cần tìm ra các đoạn này với độ
dài lớn nhất. Thuật toán trong mục II sẽ giúp
tìm ra dãy từ chung dài nhất, và các từ này ưu
tiên xuất hiện liền kề hoặc khoảng cách xuất
hiện gần nhau nhất trong code. Trong ví dụ
dưới đây với code1 và code2 cụ thể sẽ cho kết
quả như sau:
For i:=2 to n do
For j:=n downto i do
If A[j-1]>A[j] then
Begin
tg:=A[j-1];
A[j-1]:=A[j];
A[j]:=tg;
End;
a. Code1
For x:=2 to n do
For y:=n downto x1 do
If A[y-1]>A[y] then
Begin
tg:=A[y-1];
A[y-1]:=A[y];
A[y]:=tg;
End;
b. Code2
For i:=2 to n do
For j:=n downto i do
If A[j-1]>A[j] then Begin
tg:=A[j-1];
A[j-]:=A[j];
A[j]:=tg;
End;
c. Dãy từ chung code1 và code2 (phần chung
được đánh dấu bằng phần gạch chân).
Trong ví dụ trên cả hai đoạn mã nguồn trên
chỉ khác nhau ở tên biến nhưng cấu trúc câu
lệnh giống nhau, code1 sử dụng “i” và “j” còn
code2 dùng “x” và “y”, tuy nhiên cùng mô tả
thuật toán sắp xếp nổi bọt, ta cần nhận dạng,
đánh dấu cho bước xử lý sau đó.
Xử lý biến: Quá trình này tìm ra mối liên
quan giữa các biến trong code1 và code2,
Trong so sánh code nếu code2 sử dụng 1 phần
mã code1 thì các biến trong phần code đó
giống hệt nhau, ta chỉ việc đánh dấu các biến
đó trong code1 và code2. Tuy nhiên nếu
code2 chỉ sử dụng một phần, hay thay chỉ
thay đổi tên biến khác đi so với code1, thì cần
nhận dạng sự tương ứng giữa các biến dựa
trên dãy từ chung tìm được trước đó. Nếu vai
trò 2 biến như nhau ta coi 2 biến đó là tương
đương. Trong ví dụ 1 thì “i” và “x” là tương
đương, và chúng ta có thể nhận biết điều này
vì liền kề với “i” trong code1 và “x” trong
code2 là dãy từ chung của 2 code và từ chung
này giống nhau, ngoài ra vị trí, số lượng xuất
hiện cũng trùng lặp, những cơ sở đó giúp ta
đưa ra kết luận tương đương các biến , còn
biến “i” và “y” không tương đương vì số
lượng, vị trí xuất hiện không giống nhau.
Truy vết & output: các dãy từ dài nhất
không lưu trực tiếp trong bộ nhớ mà lưu
dưới dạng dãy chỉ số từ trong code2, từ dãy
chỉ số này ta khôi phục dãy từ chung và đưa
ra output.
CẢI TIẾN THUẬT TOÁN TÌM DÃY
CHUNG DÀI NHẤT
Sau khi tách được các từ trong code1 và
code2, từ 2 dãy từ (input) nhiệm vụ của chúng
ta là tìm dãy chung dài nhất giữa 2 dãy, sau
đó đánh dấu và đưa ra output của bài toán. Để
tiện theo dõi ta coi code1 là một dãy các từ
đặt trong mảng A[n] (n là số từ code1),tương
tự code2 là B[m] với m là số từ trong code2.
Thuật toán tìm dãy từ trên thuật toán Hunt [5]
có nhiệm vụ tìm ra dãy từ chung dài nhất từ
A[n] và B[m] sao cho dãy chung có các từ
xuất hiện trong code1 và code2 là gần nhất.
Tư tưởng chung của thuật toán như sau:
A[i]=B[j]với mỗi A[i] ta định vị một từ B[j]
tương ứng sao cho:
Trần Ngọc Hà và đtg Tạp chí KHOA HỌC & CÔNG NGHỆ 80(04): 109 - 113
111
[ ] [ ]
min
A i B j
j
=
Để làm việc này ta sử dụng một mảng
THRESH[O:n] để lưu vị trí j min trong B sao
cho A[i]=B[j] và có thể chèn vào dãy từ
chung. Với mỗi A[i] nếu được định vị trong B
làm tăng kích thước THRESH lên 1 đơn vị,
cuối cùng kích thước THRESH chính là độ
dài dãy từ lớn nhất. Tuy nhiên dãy THRESH
chứa vị trí các từ trong B chưa chắc đã là vị
trí các từ thuộc dãy chung lớn nhất, mà chúng
được lưu lại trong danh sách LINK, gồm
thông tin nối từ i sang j và từ chung trước đó
LINK[k-1]. Cuối cùng sử dụng danh sách
LINK để khôi phục dãy chung dài nhất.
Để tăng tốc thuật toán và giảm bớt bộ nhớ,
với mỗi A[i] thay vì lần lượt tìm B[j] ta tìm
B[j] qua mảng MATCHLIST chứa chỉ số các
từ trùng lặp B[j] được xây dựng trước đó.
Ví dụ A=”a b c b d d a”
B=”b a d b a b d”
MATCHLIST[1] = (5, 2)
MATCHLIST[2] = (6, 4, 1)
MATCHLIST[3] = ( )
MATCHLIST[4] = MATCHLIST[2]
MATCHLIST[5] = (7, 3)
MATCHLIST[6] = MATCHLIST[5]
MATCHLIST[7] = MATCHLIST[I]
Hay để giảm chi phí tìm kiếm và bộ nhớ hơn
nữa có thể tổ chức MATCHLIST dưới dạng
danh sách kề (adjacency list)[1]. Chi tiết thuật
toán như sau:
integer array THRESH[O:n];
list array MATCHLIST[1 :n];
pointer array LINK[1 :n];
pointer PTR;
Step 1: Xây dựng MATCHLIST;
for i := 1 step 1 until n do
set MATCHLIST[i] : (j1 ,j2, ... ,jp)
such that
j1 >j2 > ... >jp and code1[i] =
code2[jq] for i <= q < =p;
Step 2: Khởi tạo THRESH;
THRESH[O] := 0;
for i := 1 step 1 until n do THRESH[i] := n
+ 1;
LINK[O] := null;
Step 3: Tìm dãy chung lớn nhất;
for i := 1 step 1 until n do
for j on MATCHLIST[i] do
begin
find k such that THRESH[k-1] < j <
THRESH[k];
if j < THRESH[k] then
begin
THRESH[k] := j;
LINK[k] := newnode ( i, j,
LINK[k-l]);
end;
end;
Step 4: Khôi phục dãy chung;
k := largest k such that THRESH[k] ≠ n + 1;
PTR := LINK[k];
while PTR ≠ null do
begin
print (i,j) pair pointed to by PTR;
advance PT
end.
PHÂN TÍCH VÀ ĐÁNH GIÁ
Do làm việc với A[n] lần lượt từ đầu tới cuối
đúng 1 lần nên không cần lưu trữ code1 mà
có thể làm việc trực tiếp từ file lưu trữ code1.
Các mảng sử dụng trong thuật toán đều 1
chiều và độ lớn nhỏ hơn max(n, m), do vậy
chi phí bộ nhớ là tuyến tính. Chi phí thời gian
của thuật toán chủ yếu cho Step 3, tuy nhiên
việc tìm vị trí k trong THRESH có thể sử
dụng phương pháp tìm kiếm nhị phân, do dễ
dàng nhận thấy các giá trị trong THRESH
luôn tăng. Trong Step 1, để xây dựng
MATCHLIST, có thể đưa về sắp xếp B[m]
kèm lưu chỉ số, tuy nhiên vì số lượng các từ
trong ngôn ngữ lập trình không nhiều, ta có
thể dùng phương pháp sắp xếp đếm phân phối
(distribution sort)[1] để giảm chi phí thời gian
xuống O(m). Dễ thấy độ phức tạp thời gian
Trần Ngọc Hà và đtg Tạp chí KHOA HỌC & CÔNG NGHỆ 80(04): 109 - 113
112
của thuật toán là O((r + n) log n) với
r<max(n, m); còn chi phí về mặt bộ nhớ
làO(max(n,m). Đây là những chi phí chấp
nhận được và có thể áp dụng với code rất dài.
THỰC NGHIỆM
Với những cơ sở lý thuyết nêu trên chúng tôi
xây dựng một chương trình minh họa xử lý
văn bản, và so sánh với một số chương trình
sẵn có, tuy nhiên do hạn chế thời gian nên
chương trình minh họa chưa trang bị đầy đủ
chức năng trong bài viết mà tập trung tìm
dãy từ chung dài nhất giữa hai code. Hình 2
minh họa giao diện chương trình, sau khi xử
lý các code1 và code2, chương trình sẽ đưa
ra phần code chung bằng cách đánh dấu và
tỉ lệ khớp (match).
Cũng với đoạn code1 và code2 như trên, thì
phần mềm của nhóm tác giả Đại học Bách khoa
Hà Nội chưa nhận biết những đoạn code trùng
nhau. Kết quả minh họa như trong hình 3.
Hình 2: Chương trình minh họa
Hình 3. Phần mềm so sánh văn bản của ĐHBK Hà Nội
Trần Ngọc Hà và đtg Tạp chí KHOA HỌC & CÔNG NGHỆ 80(04): 109 - 113
113
Hình 4. So sánh code với CodeCompare
Với phần mềm CodeCompare, một sản phẩm
thương mại của công ty phát triển phần mềm
Devart (đối tác cung cấp phần mềm của các
tập đoàn lớn trên thế giới như Hitachi,
Siemens, Intel...), hầu hết các đoạn code
giống nhau được phát hiện, tuy nhiên chưa
chỉ ra được các biến có vai trò tương tự nhau.
Các phần khác nhau được đánh dấu đậm
hơn, các phần giống nhau hoàn toàn được
giữ nguyên.
TỔNG KẾT
Trên đây chúng tôi đã giới thiệu phương pháp
tìm phần chung của code, thuật toán tìm dãy
từ chung dài nhất và xây dựng chương trình
minh họa tính năng so sánh mã nguồn, đây là
những ứng dụng thực tế giúp ích cho người
lập trình hoặc giáo viên... những người làm
việc với code. Trong tương lai có thể áp dụng
cơ sở lý thuyết để phát triển ứng dụng thông
minh và tự động hơn, như tự động so sánh
code với các cơ sở dữ liệu sẵn có như Internet,
cơ sở dữ liệu bài thi có sẵn... Cuối cùng chúng
tôi xin gửi lời cảm ơn thạc sỹ Nguyễn Văn
Trường, khoa Toán, Đại học Sư phạm - Đại
học Thái Nguyên, đã có nhiều đóng góp giúp
chúng tôi thực hiện bài báo này.
TÀI LIỆU THAM KHẢO
[1]. Alfred V.Aho, Jeffrey D.Ullman, John
E.Hopcroft, (January 11, 1983), Data Structures
and Algorithms, Addison Wesley.
[2]. Beate Commentz-Walter, 1979, A string
matching algorithm fast on the average Extended
abstract, Springerlink: Volume 71/1979, 118-132,
DOI: 10.1007/3-540-09510-1_10.
[3]. Bilenko; Mooney; Cohen; Ravikumar,
P.Fienberg, Sep/Oct 2003, Adaptive name
matching in information integration, IEEE.
[4]. Herbert Schildt (1998-08-01). C++ The
Complete Reference Third Edition. Osborne
McGraw-Hill. ISBN 978-0078824760.
[5]. James W.Hunt, Thomas G.Szymanski, May
1977, A fast algorithm for computing longest
common subsequences, Association for
Computing Machinery: Volume 20 Issue 5.
[6]. Michael Steinbach George Karypis Vipin
Kumar, 2000, A Comparison of Document
Clustering Techniques, Citeseerx.
[7]. William W. Cohen, Pradeep Ravikumar
Stephen, E. Fienberg, 2003, A Comparison of
String Metrics for Matching Names and Records,
the Proceedings of the IJCAI.
SUMMARY
COMPARE SOURCE CODE OF PROGRAMS USING FAST LONGEST
COMMON SUBSEQUENCES ALGORITHM
Tran Ngoc Ha1*, Trieu Hai Long1, Nguyen Ngoc Tuan2
1
College of Education – Thai Nguyen University,
2
K17 Computer Science – College of Technology-Vietnam National University, Hanoi
Finding the similar part of text of source code plays an important role in detecting forged code. In
this paper, we present our algorithm and involved methods to find out similar codes. That can
reduce time and space complexities to linear ones, increase the rate of accuracy.
Keywords: Compare documents, Longest Common Subsequences, Source code, adjacency list,
distribution sort.
*
Tel: 0983.168.400; Email: hatn84@gmail.com
Các file đính kèm theo tài liệu này:
- brief_33248_37074_30820121652tap80so04_nam2011_split_22_6602_2052433.pdf