Dec, 2023

源代码是图，而非序列：关于代码克隆检测的跨语言视角

PDF
TL;DR通过比较两个最先进模型 CodeBERT 和 CodeGraph 在两个基准数据集上的表现，本文论证了源代码克隆检测是一个图而非序列，并且基于图的方法在跨语言代码克隆检测上优于基于序列的方法。
source code clone detectiongraph-based methodscode fragmentssequence-based methodscross-lingual code clone detection
发现论文，激发创造
  • CCT-Code: 多语言克隆检测与代码搜索的跨一致性训练

    本文提出了一个新的多语言代码克隆检测问题，以及一种名为 cross-consistency training (CCT) 的新型训练程序和一种 CCT-LM 语言模型，该模型在不同编程语言的源代码上训练，在 POJ-104 代码克隆检测基准测试中实现了 95.67％的 MAP 和 AdvTest 代码搜索基准测试中的 47.18％MRR 最佳结果，并在新创建的多语言代码克隆检测基准测试 XCD 中展现出最好的成绩。

    May, 2023

  • 通过无监督相似度度量集成的高级源代码克隆检测

    该研究介绍了一种新的集成学习方法来评估代码相似性，结合多种无监督相似度度量的优点。初步结果表明，尽管基于 Transformers 的 CodeBERT 和其变种 GraphCodeBERT 在有充足训练数据的情况下是最佳选择，但在特定的小数据集（最多 500 个样本）的情况下，我们的集成方法达到了类似的结果，而且结果解释性较强，与训练相关的碳足迹明显较低。

    May, 2024

  • 用图神经网络和增强流程抽象语法树来检测代码克隆

    本文提出了一种基于图神经网络 (GNN) 的程序控制流和数据流表示方法 FA-AST (flow-augmented abstract syntax tree)，并将其应用于代码克隆检测，相比基于抽象语法树 (AST) 的方法，在 Google Code Jam 和 BigCloneBench 数据集上均取得了更好的效果。

    Feb, 2020

  • ZC3：零样本跨语言代码克隆检测

    本文提出了一种名为 ZC3 的新方法，用于零射击交叉语言代码克隆检测，通过对比片段预测、领域感知学习和循环一致性学习来生成在不同编程语言之间对齐且区分不同克隆类型的表示，实验证明 ZC3 相对于现有基准模型在 MAP 评分上分别提高了 67.12％，51.39％，14.85％和 53.01％。

    Aug, 2023

  • CodeGRAG: 提取合成句法图以增强检索的跨语言代码生成

    通过使用 Syntax Graph Retrieval Augmented Code Generation (CodeGRAG) 模型，可以提高大型语言模型在单轮代码生成任务中的性能，填补编程语言和自然语言之间的差距，并使用外部结构化知识作为不同编程语言之间的桥梁，从而显著提高语言模型的代码生成能力。

    May, 2024

  • 从结构和上下文中学习源代码的语言不可知性表示学习

    通过同时学习源代码和抽象语法树的结构信息，本篇研究提出了一种只使用与语言无关的功能和直接从抽象语法树中计算得出的功能的新机器学习模型，该模型在单语言和多语言代码总结方面均取得了最新成果。

    Mar, 2021

  • 源代码相似性测量和克隆检测的系统文献综述：技术、应用和挑战

    对代码相似性测量和评估技术进行系统的文献综述和元分析，调查了现有方法及其在不同应用领域的特点，揭示了领域内存在的主要挑战。

    Jun, 2023

  • AdaCCD: 基于自适应语义对比发现的跨语言代码克隆检测领域适应

    AdaCCD 是一种新颖的跨语言适应方法，可以在新的语言中检测克隆代码，而无需任何该语言的注释。AdaCCD 利用预训练的编程语言模型中的语言无关的代码表示，并提出了自适应精炼对比学习框架，以将知识从资源丰富的语言传递到资源匮乏的语言。通过构建由 5 种编程语言组成的多语言代码克隆检测基准集，我们评估了 AdaCCD 的跨语言适应结果。与其他基线方法相比，AdaCCD 取得了显著的改进，甚至可以与监督微调方法相媲美。

    Nov, 2023

  • GraphCodeBERT：使用数据流进行代码表示预训练

    GraphCodeBERT 是一种基于 Transformer 的预训练模型，通过使用数据流而不是抽象语法树的句法级别结构，可以更有效地编码代码的语义结构，从而提高代码理解过程。其结构感知的预训练任务可以改善 GraphCodeBERT，并在代码搜索，克隆检测，代码翻译和代码优化等方面实现了最先进的性能。

    Sep, 2020

  • 使用中间表示进行跨语言二进制源码匹配

    该篇论文提出了解决不同编程语言下的二进制和源代码匹配问题的新数据集，以及基于 Transformer 神经网络的 XLIR 方法，并在多项实验验证了其显著优于现有模型的有效性。

    Jan, 2022