Software Plagiarism Detection on Intermediate Representation

Plagiate von Quelltext sind ein weit verbreitetes Problem in der Informatik. Um dem entgegenzuwirken, können Software-Plagiatsdetektoren helfen, plagiierten Code zu erkennen. Die meisten modernen Plagiatsdetektoren sind token-basiert. Das Entwerfen und Implementieren eines neuen dedizierten Sprachmoduls zur Unterstützung einer neuen Programmiersprache ist dabei üblich. Dieser Prozess kann zeitaufwändig sein, und es ist unklar, ob er überhaupt notwendig ist. In dieser Arbeit evaluieren wir die Notwendigkeit von dedizierten Sprachmodulen für Java und C/C++ und leiten Schlussfolgerungen für das Design neuer Sprachmodule ab. ... mehrUm dies zu erreichen, erstellen wir ein Sprachmodul für die Zwischensprache von LLVM. Für die Evaluation vergleichen wir es mit zwei bestehenden dedizierten Sprachmodulen in JPlag. Während unsere Ergebnisse zeigen, dass dedizierte Sprachmodule besser für die Erkennung von Plagiaten geeignet sind, zeigen Sprachmodule für Zwischensprachen eine bessere Widerstandsfähigkeit gegen Verschleierungsangriffe.

Source code plagiarism is a widespread problem in computer science education. To counteract this, software plagiarism detectors can help identify plagiarized code. Most state-of-the-art plagiarism detectors are token-based. It is common to design and implement a new dedicated language module to support a new programming language. This process can be time-consuming, furthermore, it is unclear whether it is even necessary. In this thesis, we evaluate the necessity of dedicated language modules for Java and C/C++ and derive conclusions for designing new ones. To achieve this, we create a language module for the intermediate representation of LLVM. ... mehrFor the evaluation, we compare it to two existing dedicated language modules in JPlag. While our results show that dedicated language modules are better for plagiarism detection, language modules for intermediate representations show better resilience to obfuscation attacks.