An LLM-based Technique for Detection of Code Clones Across Open Source Microservice Repository Forks

En el vasto y colaborativo mundo del desarrollo de software, los programadores suelen construir nuevas aplicaciones tomando código existente y adaptándolo para un propósito diferente. Esta práctica, conocida como forking (bifurcación), es el motor de la innovación en el código abierto, permitiendo que los equipos se apoyen en hombros de gigantes en lugar de empezar desde cero. Sin embargo, a medida que estos proyectos crecen y se ramifican, surge una complejidad oculta: el código dentro de ellos puede convertirse en una red enredada de duplicados. Algunas copias son réplicas exactas, línea por línea, mientras que otras son versiones hábilmente reescritas que hacen lo mismo pero se ven completamente diferentes en la superficie. Estos se conocen como clones de código. Para los mantenedores de grandes sistemas de software, especialmente aquellos construidos como una colección de servicios pequeños e independientes, encontrar estos duplicados es una tarea monumental. Las herramientas tradicionales son excelentes para detectar copias exactas, pero a menudo fallan al reconocer cuándo dos piezas de código han sido refactorizadas para realizar la misma función de maneras totalmente distintas. Comprender dónde y cómo existen estos duplicados es crucial, ya que revela cómo evoluciona el software, dónde residen los riesgos de inconsistencia y cuánto esfuerzo se requiere realmente para mantener un sistema funcionando sin problemas.

Un equipo de investigadores se propuso recientemente resolver este problema probando un nuevo tipo de herramienta digital: modelos de lenguaje de gran tamaño (LLM). Estos son los mismos sistemas de inteligencia artificial potentes que pueden escribir historias o responder preguntas, pero aquí fueron entrenados para entender la lógica del código informático. Los investigadores querían ver si estos modelos podían actuar como un microscopio sofisticado, detectando no solo código idéntico, sino también el código semánticamente similar que las herramientas tradicionales pasan por alto. Se centraron su investigación en proyectos de microservicios de código abierto, que son sistemas de software modernos construidos a partir de muchas partes pequeñas e intercambiables. Para comenzar, necesitaban enseñar a estos modelos cómo reconocer los diferentes tipos de clones de código. Reunieron un conjunto de datos masivo de diez mil pares de fragmentos de código C++, la mitad de los cuales eran funcionalmente idénticos pero sintácticamente diferentes, y la otra mitad no estaban relacionados. Probaron tres modelos de inteligencia artificial diferentes, que iban desde un sistema de propósito general hasta dos modelos especializados diseñados específicamente para tareas de programación. También experimentaron con diferentes formas de pedir a los modelos que realizaran la tarea, probando desde instrucciones simples hasta prompts complejos que proporcionaban ejemplos y pedían puntuaciones de confianza.

Los resultados de esta prueba inicial fueron reveladores. Los investigadores encontraron que los modelos de codificación especializados eran muy superiores al de propósito general. Entre ellos, un modelo llamado Codestral emergió como el más preciso, logrando la precisión general más alta del 65.5% y superando tanto al otro modelo especializado como al sistema de propósito general. Sin embargo, el estudio también descubrió una limitación significativa: incluso el mejor modelo cometía errores. Con frecuencia pasaba por alto los mismos duplicados que debía encontrar, fallando en reconocerlos aproximadamente el cuarenta por ciento de las veces. Era bueno identificando código que era definitivamente diferente, pero era demasiado cauteloso a la hora de detectar las similitudes sutiles. Esta alta tasa de detecciones omitidas significaba que, por ahora, estas herramientas poderosas aún no son lo suficientemente fiables como para ser utilizadas como el único método para gestionar el código en un entorno profesional y automatizado. Son asistentes útiles, pero aún no pueden reemplazar el juicio humano o los métodos de detección establecidos.

Armados con el modelo con mejor desempeño y la forma más efectiva de instruirlo, los investigadores dirigieron su atención al mundo real. Seleccionaron veintidós pares de repositorios de microservicios de código abierto, donde uno era el proyecto original y el otro era un fork que había sido modificado por un grupo diferente de desarrolladores. Alimentaron sus sistemas con estas bases de código para mapear exactamente qué tipos de duplicados existían entre el original y el fork. Los hallazgos pintaron un cuadro claro de cómo evolucionan estos proyectos. El tipo de duplicado más común que encontraron fue la copia exacta, donde el código permanecía sin cambios. El segundo más común fue el clon de Tipo 3, donde el código había sido alterado con adiciones o eliminaciones pero mantenía su funcionalidad original. Sorprendentemente, el código completamente reescrito que hace lo mismo de una manera totalmente diferente era menos común que los otros tipos en estos proyectos específicos. Esto sugiere que cuando los desarrolladores realizan un fork de un microservicio, tienden a mantener la estructura central intacta en lugar de reinventar completamente la rueda.

Para asegurar que sus hallazgos automatizados fueran dignos de confianza, los investigadores compararon la salida del modelo contra una revisión manual de tres de los proyectos realizada por expertos humanos. Los revisores humanos confirmaron que el modelo era generalmente correcto al identificar los tipos más comunes de duplicados, aunque las cifras específicas variaban dependiendo de qué tecnología subyacente utilizara el modelo para leer el código. El estudio concluyó que, si bien la inteligencia artificial ofrece una nueva y prometedora forma de comprender las relaciones semánticas profundas entre piezas de código, no es todavía una solución perfecta. La tecnología es lo suficientemente potente como para ver patrones que los humanos y las herramientas más antiguas podrían pasar por alto, pero aún lucha con el alto riesgo de omitir un duplicado por completo. Por ahora, estos modelos sirven mejor como una guía para ayudar a los desarrolladores a navegar la compleja historia de su código, en lugar de como una autoridad final. El camino a seguir consiste en refinar estas herramientas para reducir sus errores y combinar su comprensión semántica con los métodos tradicionales para crear una imagen más completa de la evolución del software.