Project-wise Comparison of Software Birthmarks Using Weighted Partial Similarity

Sintesi Tecnica: Confronto tra Progetti di Software Utilizzando la Similarità Parziale Pesata

Definizione del Problema
Le "software birthmarks" (impronte digitali del software) sono caratteristiche intrinseche dei programmi utilizzate per rilevare il plagio e il riutilizzo non autorizzato del codice. Sebbene le misure di similarità esistenti siano efficaci a livello di modulo (ad esempio, confrontando singoli file sorgente o classi), esse sono insufficienti per ecosistemi software su larga scala e reali, dove i sistemi sono composti da numerosi moduli. Emergono due sfide primarie quando si aggregano i confronti a livello di modulo al livello di progetto:

1. Riutilizzo Parziale: In molti casi, solo un sottoinsieme di moduli all'interno di un progetto viene riutilizzato, mentre la maggior parte rimane non correlata. L'aggregazione uniforme di tutte le coppie di moduli diluisce il segnale del riutilizzo effettivo.
2. Similarità Incidentale: Moduli piccoli o generici possono esibire un'alta similarità per puro caso tra progetti non correlati. Se trattati allo stesso modo di moduli più grandi, questi match "rumorosi" possono portare a falsi positivi, minando la credibilità del rilevamento.

Gli attuali metodi a livello di progetto spesso non riescono ad affrontare questi problemi in modo sistematico, mancando di meccanismi robusti per distinguere tra il riutilizzo parziale significativo e il rumore incidentale.

Metodologia
Gli autori propongono un framework per il confronto di birthmark a livello di progetto che aggrega le similarità a livello di modulo utilizzando due meccanismi complementari: Aggregazione Pesata e Similarità Parziale.

1. Aggregazione Simmetrica (SA): Il framework stabilisce un metodo di base per l'aggregazione simmetrica. A differenza degli approcci asimmetrici precedenti, la SA calcola la media dei punteggi di similarità più elevati trovati per ogni modulo nel Progetto A rispetto al Progetto B, e viceversa. Ciò garantisce che il punteggio di similarità sia indipendente dall'ordine di input.
2. Assegnazione dei Pesi: Per mitigare la similarità incidentale derivante da moduli piccoli, gli autori assegnano pesi ai moduli in base alla loro dimensione (specificamente, il numero di $k$-grammi). Viene applicata una trasformazione logaritmica ($W = \ln(K)$) per comprimere l'intervallo dei pesi, evitando che moduli estremamente grandi dominino il punteggio, pur riducendo l'influenza dei moduli piccoli e rumorosi. La similarità pesata finale tra due moduli è il prodotto della loro similarità grezza e del minimo tra i loro pesi normalizzati.
3. Similarità Parziale: Per affrontare il riutilizzo parziale, il framework si concentra solo sulla frazione superiore ($\alpha\%$) dei punteggi di similarità pesata più elevati tra le coppie di moduli. Ignorando la massa delle coppie di moduli non correlati, questo metodo enfatizza i componenti riutilizzati più rilevanti.
4. Metriche di Valutazione: Le prestazioni sono valutate tramite la Resilienza (la capacità di rilevare il codice riutilizzato nonostante le modifiche) e la Credibilità (la capacità di distinguere progetti sviluppati indipendentemente). Queste vengono combinate tramite la loro media armonica ($H_{mean}$) per garantire un equilibrio tra il rilevamento dei veri positivi ed evitare i falsi positivi.

Configurazione Sperimentale
Lo studio utilizza un dataset di 35 progetti Java open-source appartenenti a 10 categorie. I casi di riutilizzo sono simulati confrontando versioni diverse dello stesso progetto, mentre i casi di non riutilizzo sono formati confrontando progetti diversi all'interno della stessa categoria. Gli esperimenti impiegano birthmark statiche basate su $k$-grammi e valutano varie funzioni di similarità modulo-modulo (ad esempio, Cosine, Jaccard, Edit Distance) e diverse configurazioni di parametri.

Risultati Chiave

• Superiorità del Metodo Proposto: Il metodo proposto (che combina la ponderazione e la similarità parziale con un ambito di 1%) supera costantemente gli approcci esistenti, inclusi il metodo di base di Lee et al. e le precedenti varianti di similarità aggregata. Raggiunge il valore mediano di $H_{mean}$ più elevato (0,9728) con una bassa varianza.
• Necessità della Ponderazione: La ponderazione è critica. Quando la similarità parziale viene applicata senza ponderazione, le prestazioni degradano significativamente (scendendo anche al di sotto della similarità casuale in alcune configurazioni) perché i moduli piccoli dominano le coppie con il ranking più alto. La ponderazione sopprime questo rumore, stabilizzando i risultati.
• Efficacia della Similarità Parziale: Concentrarsi su un piccolo sottoinsieme di coppie di moduli altamente simili (ad esempio, l'1% o il 5% superiore) produce risultati migliori rispetto al considerare tutte le coppie. Ciò conferma che ignorare i moduli non correlati è essenziale per rilevare il riutilizzo parziale.
• Configurazioni Ottimali: La migliore prestazione si ottiene con ambiti di confronto ridotti (1–5%), dimensioni dei $k$-grammi maggiori (3–4) e la funzione di similarità Edit Distance, che ha dimostrato la massima accuratezza e stabilità tra le funzioni testate.
• Baseline di Aggregazione Simmetrica: Anche senza ponderazione o similarità parziale, la formulazione dell'aggregazione simmetrica stessa supera i metodi asimmetrici esistenti, fornendo una solida base per il confronto a livello di progetto.

Significatività e Rivendicazioni
Il documento sostiene di aver stabilito un framework robusto per il confronto di birthmark a livello di progetto che affronta le specifiche limitazioni dell'analisi a livello di modulo nei sistemi su larga scala. Gli autori affermano che:

• La similarità a livello di progetto è una componente necessaria per la prima fase del rilevamento del plagio su larga scala (ritorno/retrieval), che precede la verifica dettagliata a livello di modulo.
• La combinazione di ponderazione basata sulla dimensione e similarità parziale è un meccanismo complementare che migliora congiuntamente sia la resilienza alle modifiche del codice che la credibilità nel distinguere progetti non correlati.
• Una efficace similarità a livello di progetto non richiede strategie di matching complesse; piuttosto, una semplice combinazione di aggregazione simmetrica, pesi consapevoli della dimensione e un focus selettivo sulle coppie ad alta similarità fornisce una soluzione pratica e robusta.
• Il framework proposto è generale e applicabile a vari tipi di birthmark, sebbene lo studio lo validi specificamente utilizzando birthmark statiche di $k$-grammi su progetti Java.

Gli autori riconoscono i limiti, notando che il dataset consiste in progetti Java open-source e non include casi di plagio reali confermati o codice offuscato in modo avversariale. Posizionano il loro lavoro come una valutazione sistematica delle strategie di aggregazione della similarità, con l'intento di estendere la ricerca ad altri linguaggi e investigare la robustezza contro l'offuscamento in futuro.