基于C++的抄襲檢測系統(tǒng)應用

申桂可

摘要 本篇論文針對c++代碼，研究抄襲檢測方法。通過觀察與統(tǒng)計分析，歸納出幾類常見的抄襲攻擊，并提出相對應的防范措施。我們運用文字分析、結構分析、變量分析等方法彌補單一方法的不足。最后，我們實現(xiàn)出檢測系統(tǒng)并且和現(xiàn)有的抄襲檢測系統(tǒng)比較，實驗結果顯示我們的系統(tǒng)明顯的比現(xiàn)有系統(tǒng)更能檢測各種抄襲的攻擊。

【關鍵詞】抄襲 檢測 c++

1 前言

現(xiàn)正處于信息電子化的時代，許多信息都可通過互聯(lián)網(wǎng)來取得，在互聯(lián)網(wǎng)上也常會出現(xiàn)許多相似的文件。因此，當學生為了繳交的作業(yè)或報告，可能通過互聯(lián)網(wǎng)去收集數(shù)據(jù)，如此一來學生的作業(yè)或報告就可能有許多相似的地方，為了防止學生抄襲，我們必須要一一比對所有學生的作業(yè)，找出這些相似的部分，將會是一個浩大的工程。如果有大量的程序需要做比對，以人工的方式來檢測將會是一個很龐大的工程，因此我們嘗試開發(fā)出一個不需以人工檢測的方式去比對，但卻具有以人工方式檢測的精準度的工具，來幫助我們解決這些問題。

2 C++抄襲檢測方法

本系統(tǒng)分析的方法分為三種，文字分析、結構分析、變量分析。文字分析的部分我們采用了winnowing algorithm來判斷文字相似度，結構分析部部分我們引用DCS Tree的方法，并且加入了function compare和classcompare，再來是變量部分我們采用了統(tǒng)計分析的方法來做變量相似度的計算。通過代碼正規(guī)化和roken屬性設置能將不同代碼的格式統(tǒng)一化，以利于文字分析。token屬性的設置有利于結構、變量、函數(shù)、類別的分析。函數(shù)、類別分析有助于文字分析的缺失的改善。

2.1 token定義和token屬性設置

一開始我們將讀進來的檔案先轉成一字串，在將字串的每一個token取出，取出之后我們將會設置token的屬性。

token的name代表token的名稱。type代表roken是屬于文字、數(shù)字、變量、參數(shù)、函數(shù)、類別。dataType代表token的數(shù)據(jù)型態(tài)是int、 long、double. short， floatbyte. char.String、bool、void。level代表token是在第幾階層。line代表token是在整個程序的第幾 行。range、statistical Simiarity、formatlonSimiarity主要用于變量、或參數(shù)。range代表此變量、或參數(shù)適用的范圍。StatisticalSimiarity用來記錄此變量、或參數(shù)的統(tǒng)計相似度。formationSimiarity用來記錄此變量、或參數(shù)的結構相似度。

function的name用來記錄funciton的名稱，dataType用來記錄function的數(shù)據(jù)型態(tài)，level記錄此function在程序中的第幾層，line記錄此funciton開頭在第幾行，functionRange代表function的范圍。parameterList代表這個function所有參數(shù)的index。variableList代表這個function所有變量的index。

如果token是一個class時，我們將會以classtoken的方式來記錄所需要的信息。class的name用來記錄class的名稱，line記錄此class開頭在第幾行，classRange記錄class所包含的范圍，parameterList記錄class所有參數(shù)的index，variableList代表這個function所有變量的index，inheritancelndex表示class所繼承的class的index。childlndex記錄class被哪些class所繼承。funcitonList則記錄class里面的function。

2.2 文字分析

本論文研究的文字分析方法，采用的是Winnowing算法，而我們必須先定義幾個變量。

2.2.1 變量定義

Winnowing算法一開始會定義四個重要的變量：

（1）t：一個字串的長度。

（2）k：一個gram的長度。

（3） w： window的大小。

（4）g：gram與gram之間的間距。

2.2.2 算法流程

（1）設置變量：①k：k值必須滿足f1≤k≤t），k若超過字串的范圍則無法使用此算法，相對的，k值越小則計算出來的相似度則會明顯偏高，失去其代表的意義。因此k值的定義非常重要。②w：使用者可以依照文件大自行定義值。③g：g值必須滿足（1≤g≤k），若g值大于k則會造成某些數(shù)據(jù)會被遺漏掉。

（2）字串處理：將字串中空白的字元刪除，并將文字的中有大寫的部分全部轉成小寫。

（3）字串分割：將字串依照使用者定義的k作分割，分成一個一個gram。

（4） hash運算：將分好的gram使用hash函數(shù)產(chǎn)生一連串hash值。

（5）產(chǎn)生wmdow：將一連串計算好的hash值分別加進Wmdow里，產(chǎn)生一連串windOW。

（6）產(chǎn)生fingerprint：取出window中最小的值并記錄下其所在的位置，以方便之后辨別是否有重復取到同樣的值。

（7） fingerprint比對：比較兩個文件的fingerprint的相似度。

2.3 變量分析

此變量分析針對Kuo統(tǒng)計分析方法做改良，我們將不記錄變量名稱和數(shù)據(jù)型態(tài)，原因是因為最基礎的抄襲攻擊就是變量名稱的更改，所以變量名稱就沒那么的重要。統(tǒng)計性記錄和結構性記錄仍然會保留下來，在此我們加入了變量所在代碼的比對，以確保統(tǒng)計性記錄和結構性記錄的誤判。

3 總結

系統(tǒng)具有多方面檢查方式，包括文字、結構及統(tǒng)計方法，讓檢測上更具客觀性，且能夠補足單一分析方法的不足。實驗結果也顯示，我們的系統(tǒng)較其他更能找出抄襲的部分，也減少許多誤判的概率。

參考文獻

[1]王育花.利用遠程稿件處理系統(tǒng)和AMLC鑒別可疑學術不端的方法[J].編輯學報，2017（01）.

[2]王文福，網(wǎng)絡時代期刊論文隱形學術不端挖掘策略[J].中國科技期刊研究，2016 （07）.

[3]陳志賢，學術不端防范中科技期刊編輯的主體意識[J].編輯學報，2015 （02）.