Hasonló implementációk felismerése Python-repozitóriumok között

2026-2027 ősz

Szoftver

Téma leírása

A kutatás háttere és motivációja Nagyvállalati környezetben és kiterjedt szervezeti szoftverprojektek esetén bevett jelenség a kódismétlés: különböző repozitóriumok gyakran tartalmaznak másolt, részben módosított vagy egymástól teljesen függetlenül újraimplementált funkciókat. Ezek a hasonlóságok ritkán korlátozódnak egyszerű, azonos felépítésű kódmásolatokra. A strukturális eltérések gyakran fájl- és függvényhatárokon is átnyúlnak – előfordul például, hogy egy folyamatot az egyik projekt egyetlen monolitikus függvényben, míg egy másik projekt több különálló modulra és alfüggvényre bontva valósít meg. Az ilyen, akár 90%-ban átfedő implementációk azonosítása kritikus a redundancia felszámolása, a karbantartási költségek csökkentése és a közös, újrahasznosítható csomagok kialakítása szempontjából. A kutatás célja egy olyan skálázható és magyarázható statikus elemzőrendszer kifejlesztése és kiértékelése, amely képes megbízhatóan detektálni a részleges és aszimmetrikus implementációs hasonlóságokat Python-kódbázisok között.

A hallgató feladatai

  • Szakirodalmi és technológiai áttekintés: Kódklón-detektálási eljárások, Python statikus elemzőkeretrendszerek, fordítóprogrami köztes reprezentációk (IR), gráfillesztési módszerek és kódbeágyazási (code embedding) modellek szisztematikus felmérése.

  • Köztes reprezentáció (IR) tervezése és bővítése: Normalizált absztrakt szintaxisfára (AST) épülő reprezentáció kifejlesztése vezérlésifolyam-gráfokkal (CFG), definíció-használat (def-use) láncokkal, SSA-szerű értékekkel és forráskód-visszakövethetőséggel (proveniencia).

  • Fordítóprogram-szerű normalizálási lépések: Biztonságos Python-kódtranszformációk (konstanspropagáció, holtkód-eltávolítás, elágazás-egyszerűsítés, másolatpropagáció) implementálása az ekvivalens, de szintaktikailag eltérő kódrészletek kiegyenlítésére.

  • Interprocedurális és fájlokon átívelő elemzés: Modul- és fájlhatárokon átívelő importhálózat- és hívásfeloldás, valamint korlátozott virtuális függvénybeágyazás (inlining) megvalósítása az elosztott és egybefüggő implementációk megfeleltetéséhez.

  • Hasonlóságkeresési és pontozási algoritmusok: Jelöltkeresési (candidate screening) és finomillesztési eljárások kidolgozása a vezérlési és adatfolyam-struktúrák, műveletsorozatok, konstansok és részhalmaz-kapcsolatok aszimmetrikus pontozására, kiszűrve a keretrendszerekből származó sablonkódokat (boilerplate).

  • Összehasonlító kiértékelés és benchmark: Címkézett benchmark adathalmaz összeállítása (pozitív, negatív és részleges egyezésekkel), valamint a pipeline tesztelése és validálása valós, ipari Python-projekteken.

  • Magyarázhatóság és vizualizáció: Interaktív hasonlósági vizualizációs felület továbbfejlesztése, amely a detektált egyezéseket több szinten (projekt-, fájl-, függvény- és basic block szint) teszi átláthatóvá és visszavezethetővé a konkrét forráskódsorokra.

Ez a külső téma a Siemens Mobility csapatával valósul meg.


Külső partner: Siemens Mobility

Maximális létszám: 2 fő

Konzulens

Mezei Gergely Dr. fényképe

Mezei Gergely Dr.
Tanszékvezető helyettes, egyetemi docens

Q.B226.
+36 (1) 463-3491