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