Detection of LLM-assisted Code Plagiarism Using k-gram Software Birthmarks
यह शोध पत्र यह प्रदर्शित करता है कि जावा ओपकोड (Java opcodes) पर आधारित k-ग्राम सॉफ्टवेयर बर्थमार्क्स, कोड पैराफ्रेसिंग (code paraphrasing) की चुनौतियों के बावजूद, विभिन्न मॉडलों और समानता मापों में LLM-सहायता प्राप्त कोड साहित्यिक चोरी का पता लगाने में प्रभावी बने रहते हैं।
मूल पेपर CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें
कल्पना कीजिए कि आपके पास एक स्वादिष्ट केक की गुप्त रेसिपी है। पुराने दिनों में, यदि कोई आपकी रेसिपी चुराना चाहता था, तो उसे इसे शब्द-दर-शब्द कॉपी करना पड़ता था। उन्हें पकड़ना आसान था क्योंकि लिखावट या टाइपिंग बिल्कुल एक जैसी दिखती थी।
लेकिन अब, कल्पना कीजिए कि एक सुपर-स्मार्ट रोबोट शेफ (एक AI) है जो आपकी रेसिपी को देख सकता है, उसे पूरी तरह से फिर से लिख सकता है, और उसका एक नया संस्करण दे सकता है जो बिल्कुल वैसा ही स्वाद देता है लेकिन दिखने में पूरी तरह से अलग है। वह फॉन्ट बदल देता है, "चीनी" को "मिठास" से बदल देता है, चरणों को पुनर्व्यवस्थित करता है, और अलग-अलग मापने वाले कपों का उपयोग करता है। एक मानवीय आंख के लिए, यह एक बिल्कुल नई रेसिपी लगती है। यही वह चीज़ है जिसे पेपर LLM-assisted code plagiarism कहता है।
यहाँ शोधकर्ताओं ने इन "रोबोट-शेफ" चोरों को पकड़ने के लिए इस समस्या से कैसे निपटा, इसे सरल रूप में समझाया गया है:
समस्या: "जादुई" पुनर्लेखन (The "Magic" Rewrite)
सॉफ्टवेयर डेवलपर्स कोड (कंप्यूटर के निर्देश) लिखते हैं। लार्ज लैंग्वेज मॉडल्स (LLMs) AI टूल्स हैं जो मौजूदा कोड को ले सकते हैं और उसे "पैराफ्रेज़" (अपने शब्दों में लिखना) कर सकते हैं। वे कोड के रूप और संरचना को इतना बदल देते हैं कि पारंपरिक साहित्यिक चोरी डिटेक्टर (जो समान शब्दों या पंक्तियों को देखते हैं) धोखा खा जाते हैं। प्रोग्राम अभी भी बिल्कुल वही काम करता है, लेकिन यह ऐसा दिखता है जैसे इसे किसी अलग व्यक्ति ने लिखा हो।
समाधान: "सॉफ्टवेयर फिंगरप्रिंट" (The "Software Fingerprint")
शोधकर्ताओं ने पुनर्गठित कोड को एक इंसान की तरह पढ़ने की कोशिश नहीं की। इसके बजाय, उन्होंने Software Birthmarks नामक चीज़ का उपयोग किया।
एक जन्मचिह्न (birthmark) को एक अद्वितीय फिंगरप्रिंट की तरह समझें। भले ही आप अपने कपड़े, हेयरकट या चश्मा बदल लें, आपका फिंगरप्रिंट वही रहता है।
- उन्होंने इसे कैसे बनाया: उन्होंने कंप्यूटर की "रेसिपी" (कोड) ली, उसे मशीन निर्देशों (जिन्हें opcodes कहा जाता है) की एक सूची में अनुवादित किया, और फिर उन्हें 2 से 6 निर्देशों के छोटे टुकड़ों में काट दिया।
- उपमा (Analogy): कल्पना कीजिए कि आपके पास एक वाक्य है: "The cat sat on the mat."
- 1-gram (1 का टुकड़ा) केवल शब्द हैं: "The", "cat", "sat"... (बहुत सामान्य; कई वाक्यों में "the" होता है)।
- 2-gram (2 का टुकड़ा) जोड़े हैं: "The cat", "cat sat", "sat on"... (अधिक अद्वितीय)।
- 3-gram (3 का टुकड़ा) तिगड़ी है: "The cat sat", "cat sat on"... (और भी अधिक अद्वितीय)।
उन्होंने पूरे प्रोग्राम को इन टुकड़ों के एक बैग में बदल दिया। भले ही AI वाक्यों को पुनर्व्यवस्थित कर दे, लेकिन इन टुकड़ों के विशिष्ट प्रकार (फिंगरप्रिंट) अभी भी वहां मौजूद होंगे।
प्रयोग: सबसे अच्छा चोर कौन है?
शोधकर्ताओं ने तीन अलग-अलग "रोबोट शेफ" (AI मॉडल) का परीक्षण किया:
- ChatGPT-5.1-Codex-Mini
- DeepSeek-V4-Flash
- Claude-Haiku-4.5
उन्होंने वास्तविक, ओपन-सोर्स जावा प्रोग्राम लिए, इन AI को उन्हें फिर से लिखने के लिए कहा, और फिर अपने "फिंगरप्रिंट" तरीके का उपयोग करके AI को पकड़ने की कोशिश की। उन्होंने फिंगरप्रिंटों की तुलना करने के विभिन्न तरीकों का भी परीक्षण किया (जैसे यह देखना कि कितने टुकड़े मेल खाते हैं बनाम क्रम कितना करीब है)।
निष्कर्ष: क्या काम आया?
1. टुकड़े का आकार मायने रखता है (The "Goldilocks" Zone)
- बहुत छोटा (1 टुकड़ा): यह केवल "the" शब्द द्वारा किसी व्यक्ति को पहचानने की कोशिश करने जैसा था। बहुत से लोग इसका उपयोग करते हैं, इसलिए यह एक अच्छा फिंगरप्रिंट नहीं था।
- बहुत बड़ा (6 टुकड़े): यह एक पूरे पैराग्राफ से मेल खाने की कोशिश करने जैसा था। यदि AI ने सिर्फ एक वाक्य बदल दिया, तो पूरा पैराग्राफ मेल नहीं खाता था, और फिंगरप्रिंट टूट जाता था।
- बिल्कुल सही (2 या 3 टुकड़े): यह सबसे सटीक बिंदु (sweet spot) था। निर्देशों के ये छोटे समूह मूल कोड को पहचानने के लिए पर्याप्त अद्वितीय थे लेकिन AI के पुनर्लेखन के बावजूद टिके रहने के लिए पर्याप्त मजबूत भी थे।
2. आप तुलना कैसे करते हैं, यह मायने रखता है
- क्रम मायने नहीं रखता: शोधकर्ताओं ने पाया कि निर्देशों के क्रम को देखना (जैसे यह जांचना कि क्या चरण बिल्कुल उसी अनुक्रम में हैं) एक बुरा विचार था। AI ने क्रम को इतना बदल दिया कि यह तरीका विफल हो गया।
- गिनना मायने रखता है: सबसे अच्छा तरीका बस यह गिनना था कि मूल और पुनर्गठित कोड दोनों में कितने अद्वितीय टुकड़े दिखाई देते हैं, चाहे उनका क्रम कुछ भी हो। यह यह कहने जैसा है कि, "क्या दोनों रेसिपी में 'मैदा' और 'अंडे' हैं?" बजाय इसके कि "क्या उन्होंने आटे से पहले अंडे डाले?"
3. कौन सा AI पकड़ में आने में सबसे कठिन था?
- ChatGPT-5.1-Codex-Mini सबसे चालाक था। इसने कोड को इतनी गहराई से पुनर्गठित किया कि इसे पकड़ना सबसे कठिन था, फिर भी इसने ऐसा कोड बनाया जो वास्तव में काम करता था (बिना किसी त्रुटि के कंपाइल हुआ)।
- अन्य दो AI (DeepSeek और Claude) को पकड़ना आसान था क्योंकि उनके पुनर्लेखन पीछे अधिक स्पष्ट "फिंगरप्रिंट" छोड़ देते थे।
मुख्य बात (The Bottom Line)
भले ही AI कोड को पूरी तरह से अलग दिखने के लिए फिर से लिख सकता है, लेकिन वह इस बात के मौलिक "DNA" को नहीं बदल सकता कि कंप्यूटर कैसे सोचता है। मशीन निर्देशों के छोटे, अद्वितीय पैटर्न (birthmarks) को देखकर और यह गिनकर कि कितने मेल खाते हैं, हम चोर को पकड़ सकते हैं, भले ही वे अपराध को छिपाने के लिए एक सुपर-स्मार्ट रोबोट का उपयोग कर रहे हों।
पेपर निष्कर्ष निकालता है कि यह तरीका आधुनिक AI साहित्यिक चोरी के खिलाफ अच्छी तरह से काम करता है, विशेष रूप से कोड के छोटे टुकड़ों (2 या 3 निर्देश) का उपयोग करने और क्रम के बजाय कोड में क्या है, इस पर ध्यान केंद्रित करने पर।
अपने क्षेत्र के पेपरों की भीड़ में उलझे हुए हैं?
आपके रिसर्च कीवर्ड से मेल खाने वाले सबसे नए और अलग सोच वाले पेपरों का रोज़ाना Digest पाएँ—तकनीकी सारांश के साथ, आपकी भाषा में।