Semantic Tokenization in Source Code Plagiarism Detection

Das manuelle Erkennen von Software-Plagiatsfällen in einer Menge von Quelltextabgaben ist nicht skalierbar, weshalb Lehrende auf automatische Werkzeuge zur Plagiatserkennung zurückgreifen. Moderne Ansätze basieren überwiegend auf Tokens und wandeln Quelltext in eine Sequenz struktureller Token um, die anschließend verglichen werden, um gemeinsame Teilsequenzen zu identifizieren. Sich ausschließlich auf strukturelle Tokens zu verlassen, kann jedoch zu falsch-positiven Klassifikationen führen, da unabhängig entwickelte Lösungen mit ähnlicher Struktur fälschlicherweise als Plagiat identifiziert werden können.
... mehr
Diese Arbeit stellt einen Ansatz vor, um diese Einschränkung zu lindern, indem Tokens um zusätzlichen strukturellen und semantischen Kontext erweitert werden. Die vorgeschlagene Methode erweitert die Token-Darstellung durch das Einbeziehen vektorbasierter Eigenschaften, die aus dem abstrakten Syntaxbaum und Variablenabhängigkeiten abgeleitet werden. Darüber hinaus wird ein Filter- und Verifizierungsprozess in den Greedy String Tiling Algorithmus integriert, um eine Ähnlichkeitsberechnung basierend auf den erweiterten Darstellungen zu ermöglichen.
Der Ansatz wird in das moderne Plagiatserkennungssystem JPlag implementiert und mithilfe realer Abgaben aus Einführungskursen in das Programmieren evaluiert. Die Ergebnisse zeigen, dass die vorgeschlagene Methode die Ähnlichkeitswerte eigenständig entwickelter Abgabenpaare reduziert und damit die Unterscheidung zwischen plagiierten und eigenständigen Abgabenpaaren verbessert, während sie nur geringe Laufzeitkosten verursacht.

Detecting cases of software plagiarism within a set of source code submissions is not scalable when performed manually, leading instructors to rely on automated plagiarism detection tools. State-of-the-art approaches are predominantly token-based, transforming source code into sequences of structural tokens that are subsequently compared to identify common subsequences. However, relying solely on structural tokens may result in false positives, as independently developed solutions with similar structure can be incorrectly identified as plagiarized.
This thesis presents an approach to mitigate this limitation by enriching tokens with additional structural and semantic context. ... mehrThe proposed method extends the token representation by incorporating vector-based features derived from the abstract syntax tree and variable dependencies. Furthermore, a filtration–verification process is introduced within the Greedy String Tiling algorithm to enable similarity computation based on these enriched representations.
The approach is implemented in the state-of-the-art plagiarism detection system JPlag and evaluated on real-world submissions from introductory programming courses. The results demonstrate that the proposed method effectively reduces similarity scores of independent developed submission pairs, thereby improving the separation between plagiarized and independent submission pairs, while incurring only minor runtime overhead.