Version imprimable
Bonjour,
Dans le cadre d'un projet de Intelligence Artificielle, on nous demande de développer un outil de détection de plagiat. J'ai cherché un peu sur google, un algorithme ou une démarche qui pourrait m'aider, mais j'ai presque rien trouver de clair. Avez vous une idée sur ce par quoi je devrait commencer ... ? merci :)
Bonjour.
Si je voulais plagier un code je commencerais pas changer les différents identifiants, donc il me semble qu'un détecteur de plagiat doit pouvoir analyser la structure sans tenir compte des noms (même si la recherche de noms similaires demeure utile pour l'estimation finale). Autrement dit je chercherais à comparer des arbres syntaxiques.
Puis si je voulais plagier je chercherais sans doute à faire un ou deux changements : intervertir quelques "if", remplacer un while par un for. Pour détecter cela j'utiliserais un CFG (control flow graph) couplé à un SSA pour normaliser l'ordonnancement des instructions et le flot. L'idée est d'obtenir une forme canonique. Dans la même veine je réduirais mon arbre syntaxique à quelques instructions élémentaires : au lieu de supporter six opérateurs de comparaison je réduirais à trois (< <= ==), etcétéra.
Enfin si je voulais plagier je réunirais quelques fonctions et en supprimerais d'autres. Pour détecter cela je chercherais à supprimer les informations sur les fonctions de mon CFG en raccordant directement les CFG de chaque fonction pour former un gros graphe commun à toute l'appli. En supposant qu'avec le SSA ça ne cause pas une explosion de la complexité.
Et accessoirement une approche plus simple pourrait consister à analyser directement au niveau assembleur : après tout les compilateurs ont tendance à canoniser. Ne resterait qu'à recanoniser un peu et à regarder les relations entre les offsets plutôt que leur valeur absolue, ceux-ci pouvant rapidement changer.