Advanced Detection of Dead Code through Abstract Interpretation for Source Code Plagiarism Detection

Code-Plagiate im akademischen Kontext, insbesondere in Programmierkursen für Studienanfänger, sind nach wie vor ein Problem. Derzeit sind die am häufigsten verwendeten Plagiatsdetektoren anfällig für Plagiatsverschleierung durch eingefügten nicht-trivialen Totem Code. Wir schlagen vor, Abstrakte Interpretation zu verwenden, um Toten Code zu erkennen und zu entfernen, bevor er von Plagiatserkennungs-Tools verarbeitet wird. Die Auswertung auf dem PROGpedia-Datensatz und einem KI-generierten Datensatz mit bekanntem Totem Code ergibt eine mittlere Erkennungsgenauigkeit von 90 %, bei vergleichbarer Plagiatserkennungsleistung und nur moderate höherer Laufzeit gegenüber der Standard version von JPlag.

Code plagiarism in academic contexts, most notably in first-year programming courses, continues to be a problem. Currently, the most widely used plagiarism detectors are vulnerable to plagiarism obfuscation through inserted complex dead code. We propose using Abstract Interpretation to detect and remove dead code before the code is processed by plagiarism detection tools. This approach was evaluated on the PROGpedia dataset and
an AI-generated ground-truth dataset, achieving a mean dead-code detection accuracy of 90% while retaining plagiarism detection performance comparable to standard JPlag and introducing only moderate runtime overhead.