Project-wise Comparison of Software Birthmarks Using Weighted Partial Similarity

Resumen Técnico: Comparación de Marcas de Nacimiento de Software por Proyecto mediante Similitud Parcial Ponderada

Planteamiento del Problema
Las marcas de nacimiento (birthmarks) de software son características intrínsecas de los programas utilizadas para detectar el plagio y la reutilización no autorizada de código. Aunque las medidas de similitud existentes son efectivas a nivel de módulo (por ejemplo, comparando archivos de origen o de clase individuales), resultan insuficientes para ecosistemas de software a gran escala en el mundo real, donde los sistemas constan de numerosos módulos. Surgen dos desafíos primarios al agregar las comparaciones a nivel de módulo al nivel de proyecto:

1. Reutilización Parcial: En muchos casos, solo se reutiliza un subconj conjunto de módulos dentro de un proyecto, mientras que la mayoría permanece no relacionada. La agregación uniforme de todos los pares de módulos diluye la señal de la reutilización real.
2. Similitud Incidental: Los módulos pequeños o genéricos a menudo exhiben una alta similitud por azar entre proyectos no relacionados. Cuando se tratan por igual con módulos más grandes, estos emparejamientos "ruidosos" pueden generar falsos positivos, socavando la credibilidad de la detección.

Los métodos actuales de nivel de proyecto a menudo fallan al no abordar estos problemas de manera sistemática, careciendo de mecanismos robustos para distinguir entre la reutilización parcial significativa y el ruido incidental.

Metodología
Los autores proponen un marco para la comparación de marcas de nacimiento por proyecto que agrega las similitudes a nivel de módulo utilizando dos mecanismos complementarios: Agregación Ponderada y Similitud Parcial.

1. Agregación Simétrica (SA): El marco establece un método base de agregación simétrica. A diferencia de los enfoques asimétricos anteriores, la SA calcula el promedio de las puntuaciones de similitud más altas encontradas para cada módulo en el Proyecto A contra el Proyecto B, y viceversa. Esto asegura que la puntuación de similitud sea independiente del orden de entrada.
2. Asignación de Pesos: Para mitigar la similitud incidental de los módulos pequeños, los autores asignan pesos a los módulos basados en su tamaño (específicamente, el número de $k$-gramas). Se aplica una transformación logarítmica ($W = \ln(K)$) para comprimir el rango de peso, evitando que los módulos extremadamente grandes dominen la puntuación, pero logrando al mismo tiempo reducir la influencia de los módulos pequeños y ruidosos. La similitud ponderada final entre dos módulos es el producto de su similitud bruta y el mínimo de sus pesos normalizados.
3. Similitud Parcial: Para abordar la reutilización parcial, el marco se enfoca únicamente en la fracción superior ($\alpha\%$) de las puntuaciones de similitud ponderadas más altas entre los pares de módulos. Al ignorar la gran mayoría de los pares de módulos no relacionados, este método enfatiza los componentes reutilizados más relevantes.
4. Métricas de Evaluación: El rendimiento se evalúa mediante la Resiliencia (la capacidad de detectar código reutilizado a pesar de las modificaciones) y la Credibilidad (la capacidad de distinguir proyectos desarrollados independientemente). Estas se combinan a través de su media armónica ($H_{mean}$) para asegurar un equilibrio entre la detección de verdaderos positivos y la evitación de falsos positivos.

Configuración Experimental
El estudio utiliza un conjunto de datos de 35 proyectos Java de código abierto en 10 categorías. Los casos de reutilización se simulan comparando diferentes versiones del mismo proyecto, mientras que los casos de no reutilización se forman comparando diferentes proyectos dentro de la misma categoría. Los experimentos emplean marcas de nacimiento de $k$-gramas estáticos y evalúan varias funciones de similitud módulo-a-módulo (por ejemplo, Coseno, Jaccard, Distancia de Edición) y diversas configuraciones de parámetros.

Resultos Clave

• Superioridad del Método Propuesto: El método propuesto (que combina el pesaje y la similitud parcial con un alcance del 1%) supera consistentemente a los enfoques existentes, incluyendo el método base de Lee et al. y otras variantes de similitud agregada. Logra la $H_{mean}$ mediana más alta (0.9728) con una baja varianza.
• Necesidad del Pesaje: El pesaje es crítico. Cuando se aplica la similitud parcial sin el pesaje, el rendimiento se degrada significativamente (incluso por debajo de la similitud aleatoria en algunas configuraciones) porque los módulos pequeños dominan los pares de mayor rango. El pesaje suprime este ruido, estabilizando los resultados.
• Efectividad de la Similitud Parcial: Centrarse en un pequeño subconjunto de pares de módulos altamente similares (por ejemplo, el top 1% o 5%) produce mejores resultados que considerar todos los pares. Esto confirma que ignorar los módulos no relacionados es esencial para detectar la reutilización parcial.
• Configuraciones Óptimas: El mejor rendimiento se logra con alcances de comparación pequeños (1–5%), tamaños de $k$-gramas más grandes (3–4) y la función de similitud de Distancia de Edición, la cual demostró la mayor precisión y estabilidad entre las funciones probadas.
• Base de Agregación Simétrica: Incluso sin el pesaje o la similitud parcial, la formulación de agregación simétrica por sí misma supera a los métodos asimétricos existentes, proporcionando una base sólida para la comparación por proyecto.

Significado y Reivindicaciones
El artículo afirma establecer un marco robusto para la comparación de marcas de nacimiento por proyecto que aborda las limitaciones específicas del análisis a nivel de módulo en sistemas a gran escala. Los autores sostienen que:

• La similitud por proyecto es un componente necesario para la primera etapa de la detección de plagio a gran escala (recuperación), que precede a la verificación detallada a nivel de módulo.
• La combinación de pesaje basado en el tamaño y similitud parcial es un mecanismo complementario que mejora conjuntamente tanto la resiliencia a las modificaciones de código como la credibilidad en la distinción de proyectos no relacionados.
• Una similitud efectiva por proyecto no requiere estrategias de coincidencia complejas; más bien, una combinación simple de agregación simétrica, pesos conscientes del tamaño y un enfoque selectivo en pares de alta similitud proporciona una solución práctica y robusta.
• El marco propuesto es general y aplicable a varios tipos de marcas de nacimiento, aunque el estudio lo valida específicamente utilizando marcas de nacimiento de $k$-gramas estáticos en proyectos Java.

Los autores reconocen las limitaciones, señalando que el conjunto de datos consiste en proyectos Java de código abierto y no incluye casos de plagio del mundo real confirmados o código ofuscado adversariamente. Posicionan su trabajo como una evaluación sistemática de las estrategias de agregación de similitud, con planes futuros para extenderlo a otros lenguajes e investigar la robustez frente a la ofuscación.