編輯 | 叢 末
程序員的的代碼大部分都不是如同寫書法那般一揮而就，而需要反復地摳bug，摳到懷疑人生。劍橋大學法官商學院發(fā)表的一項研究顯示，程序員將50.1％的工作時間用于編程，而將一半的時間用于debug。估計每年的debug總費用為3120億美元。現代軟件系統(tǒng)越來越復雜，很多時候一個小小的錯誤就可能讓系統(tǒng)崩潰，帶來巨大損失。所以不僅是程序員，企業(yè)也在為debug付出巨大代價。但現在，AI帶來了福音。英特爾、麻省理工學院、佐治亞理工學院的研究人員合作開發(fā)了自動化代碼相似性檢測系統(tǒng)MISIM，該系統(tǒng)可以判斷兩段代碼的相似性，即便這兩段代碼使用的是不同的結構和算法，也可以依據它們是否執(zhí)行相似的任務、是否有相似的代碼特征加以判斷。代碼相似性檢測可以應用在代碼推薦、自動修復bug中。在代碼推薦的應用過程有點像輸入法的詞推薦，由于MISIM可以對不完整的代碼片段進行評估，當它檢測到不完整的、有bug的代碼時，就會從其它地方選出功能一樣的、沒有bug的代碼，來替換原來的代碼。并且，MISIM 還會將代碼轉換為統(tǒng)一的形式，確定代碼功能，從而在不受編寫方式的影響下進行代碼片段的對比。由于MISIM不受編程語言限制，它還可以用于代碼語言轉換。在45,780個程序的實驗評估中，MISIM識別C和C ++程序中的代碼，這些程序是由學生編寫的，旨在解決104個編碼問題。如果一對程序都解決了相同的問題，則它們在數據集中被標記為相似。MISIM的表現始終好于三個當前最先進系統(tǒng)，最高達到40.6倍。自動代碼生成一直是一個研究熱點，產業(yè)界和學術界都在此方向上努力著。OpenAI的GPT-3語言模型甚至可以根據自然語言描述生成網頁布局的代碼。而代碼相似性檢測則可以復用已有代碼，使質量高的代碼得到更有效的利用。 輸入“創(chuàng)建一個長得像西瓜的按鈕”，GPT-3就生成了上圖中綠皮紅瓢的原型按鈕。或者輸入“welcome to my newsletter的大號字體”，GPT-3就生成了上圖中的紅色大號字體。當然，代碼相似性檢測也可以用于代碼查重。所以，計算機系的同學們，注意自己寫作業(yè)！雖然現在已有非AI的代碼查重系統(tǒng)，但誰知道AI什么時候會后來居上呢？MISIM由兩個核心組件組成。首先，MISIM具有新型的上下文感知語義結構（CASS），該結構通過捕獲描述代碼上下文的信息，使用機器學習算法來確定給定源代碼的目的（例如，代碼是一個函數調用、一個操作等）。其次，MISIM還具有基于神經網絡的代碼相似性評估算法，該算法可通過各種神經網絡架構來實現。
一旦構建了CASS，就將其向量化并用作神經網絡的輸入，神經網絡會生成特征向量。生成特征向量后，就可以進行代碼相似度評估（例如，向量點積、余弦相似度等）。對于MISIM的相似性評估算法，研究人員研究了三種神經網絡方法：GNN、RNN和BoF神經網絡。其中，使用GNN的 MISM 總體表現最好，能夠以超過75%的準確率識別出兩個程序的相似程度。將代碼的結構與CASS集成在一起后，算法就會根據代碼要執(zhí)行的工作計算相似性分數。即使兩段代碼表面上不同，如果執(zhí)行相同的功能，模型就會將它們評估為相似。CASS可以配置特定的上下文，從而能夠捕獲描述代碼的更高級別信息。而且CASS可以在不使用編譯器的情況下對代碼進行評級（編譯器將人類可讀的源代碼轉換為計算機可執(zhí)行的機器代碼），甚至可以對不完整的代碼片段進行評估。MISIM-GNN的架構如下圖所示。對于這種方法，輸入代碼的CASS表征被轉換為圖。然后，將圖中的每個節(jié)點嵌入一個可訓練的向量，作為該節(jié)點的初始狀態(tài)。接下來，使用GNN迭代更新每個節(jié)點的狀態(tài)。最后，應用全局讀取函數從節(jié)點的最終狀態(tài)提取整個圖的向量表征。研究人員仍然在擴展MISIM的特征集，目的是創(chuàng)建一個代碼推薦引擎，它能夠識別算法背后的意圖，并提供語義上相似但性能有所提高的候選代碼。系統(tǒng)可以指示程序員使用庫函數，而不用再重復造輪子。像MISIM這樣的以AI為動力的代碼建議和審查工具有望大幅削減開發(fā)成本，同時使編碼人員能夠專注于更具創(chuàng)造性、減少重復性的任務。英特爾實驗室首席科學家兼機器編程研究總監(jiān)Justin Gottschlich表示：“如果該系統(tǒng)能取得成功，我們的最終目標之一就是實現全民編程。”或許有一天，代碼相似性檢測可以擴展到自然語言中，到時候要實現全民編程，就不再是難事。論文地址：https://arxiv.org/pdf/2006.05265.pdf代碼相似檢測系統(tǒng)的準確率比較，結果是運行3次的平均值和相對于平均值的最小/最大值。code2vec、NCC、Aroma、MISIM在POJ-104測試集上的準確率結果。條形高度表示運行3次測量值的平均值，誤差條由測量值的最小值和最大值確定。https://venturebeat.com/2020/07/29/intel-researchers-create-ai-system-that-rates-similarity-of-two-pieces-of-code/https://www.theregister.com/2020/07/31/intel_wants_to_build_an/
雷峰網原創(chuàng)文章，未經授權禁止轉載。詳情見轉載須知。
