程序代码检测在毕业论文查重中的应用

　　程序代码抄袭定义为：一个程序在经过了若干常规性的修改得到的程序[4]。修改的方法主要归为十类，见表1。学生在毕业论文中的代码的抄袭主要体现在前8种。 
　　基于这些常规的修改方式，以C语言代码的判定为例，常用的检测思路之一是，将代码视为一系列Token（标记）的集合，由词法分析程序将源代码转换为Token流。记录两份代码为x和y，两者经过分解的Token流集合分别为X和Y，抄袭的判定条件满足表2。 
　　系统的构建 
　　1.设计思路。 
　　对于学生毕业论文中代码抄袭的具体判定包括以下三个方面：识别，检测和确认。 
　　（1）识别阶段：根据代码中的关键词进行比对，确定代码使用的何种程序语言。 
　　（2）检测阶段：根据识别的结果，选定特定程序语言的代码数据库，进行检测，判定代码的相似度。 
　　（3）确认阶段：根据检测阶段对相似度的判定，输出结果。 
　　与现有的纯代码复制相似性检测，以及纯文字相似检测系统不同，针对理工科学生毕业论文的代码检测的系统必须实现以下功能： 
　　（1）代码和文字的分离。将代码从论文中分离，对不同的代码段落编号，各段单独存储。将分离代码后的论文的文字部分，形成单个文本，统一存储。 
　　（2）针对文字和代码建立不同的检测数据库。 
　　（3）根据不同的代码类型，必须建立有特征识别功能，能针对不同语言分别检测的分析系统和相关数据库。 
　　2.系统构架。 
　　根据系统的需求，系统主要功能模块在论文中代码分离基础上，包括两大部分：针对代码检测的模块和针对文字检测的模块。具体见图1 
　　分离模块主要实现代码和文字的分离，根据代码和文字的不同特征，将其分离为代码部分和文字部分，并将分离后的文字和代码进行存储。后台数据库包括存储数据库和代码特征数据库两个部分。其中存储数据库用来存储预处理之后的文字和代码；代码特征数据库用于存储不同程序语言的特征，以C语言为例，代码特征数据库中需要存储的内容包括有代表性的操作符和关键字。代码特征数据库的主要作用包括两个方面。第一，用于判定一段字母构成的文字是否为程序代码，以及该程序段由何种语言写成。第二，在代码检测时，用于划分代码的结构构成。代码数据库存储用于比对相似性的大量原始代码信息。针对中文论文的检测，分离模块以段落为单位，判定三种情况：纯中文，纯字母和中文字母夹杂。纯中文可以直接判定为论文的文字部分。纯字母的可以比照代码特征数据库，判定是否为代码。如果是代码，以代码的形式单独存储，否则，以文字的形式统一存储。中文字母夹杂的段落，可在去除了中文后，按照纯字母的情况进行处理。 
　　代码检测模块包括代码预处理、代码相似度检测和代码相似度判定三个功能。预处理用于去除代码中的冗余信息。根据表1中的定义，针对其中的2，3，9项，预处理模块消除了源代码中的注释，空格，换行和对程序输出效果无效的代码。同时，预处理模块还消除了常见代码段，如预处理命令和标准输入输出语句等。预处理之后的代码作为输入，由相应的算法进行检测，并得出相似度评判结果。 
　　文字检测模块将分离的文字由相应算法进行检测，得出相似度判定结果。 
　　输出模块根据代码检测判定和文字检测判定，输出最终检测结果：标记所引用或抄袭的部分的出处，以及所站论文总字数的百分比，最后给出综合的判定。