V2EX = way to explore
V2EX 是一个关于分享和探索的地方
现在注册
已注册用户请  登录
felix021
V2EX  ›  程序员

搞事:代码找茬

  •  
  •   felix021 ·
    felix021 · 2020-08-08 14:36:40 +08:00 · 3983 次点击
    这是一个创建于 412 天前的主题,其中的信息可能已经有所发展或是发生改变。

    最近老是想起陈芝麻烂谷子的事情,说明工龄所剩无几了。

    - 1 -

    又是在那遥远的 2009 年,那个“杯具”已经不是杯具的年头,度厂办个算法比赛,办出了点儿杯具的味道。

    比赛的名字叫“百度之星”,那些年在校园里影响力还蛮大的(好像现在还是),大概赛制就是通过初赛、复赛、决赛这么几轮,选出几个社会主义四有青年<del>瓜分奖金</del>。值得一提的是,头两年( 05 、06 )冠军都被楼教主承包了。

    为什么说有点杯具的味道呢,因为那年的初赛结束以后,度厂搞了个骚操作,把所有参赛选手提交的代码导出来,打了个包,发在贴吧里。

    于是贴吧突然就炸了。

    image

    - 2 -

    要知道初赛是网络赛,各个学校的 ACM (或 OI ) 集训队的队员们很可能都是凑在机房一起参与,毕竟毛主席教导我们人多力量大嘛。

    所以这就有点意思了:如果同一个题,两份代码长得很像,说明互相抄袭概率就很大。

    问题是参赛人数有点多,两两对比这 O(n^2) 的时间复杂度,靠人肉有点儿吃不消;但这么大一个瓜,光看不吃又有点可惜了。

    那么这瓜到底该怎么吃呢?

    - 3 -

    还好,作为一个竞赛战五渣的我,通过初赛的能力没有,搞事情的能力还是有一点的。

    为了对比两份代码的相似度,那我首先得找到一个指标。

    作为一个善于 <del>作弊</del> 思考的社会主义三无青年,我估计作弊者在拿到弊友代码后不会直接提交,至少会做些更换变量名之类操作;但竞赛时间紧迫,大概率来不及修改整体框架。

    那么,只要我能算出修改的程度,就能判断相似度了:假设两份代码长度分别是 m 、n,修改了 x 个字符, 我们大致可以把 100% - x / ((m + n) / 2) 当成相似度(没被修改的字符占比)。

    但如何计算这修改的程度呢?毕竟修改前后代码长度很可能不同,不适合通过逐字比较来找到差别。

    - 4 -

    既然直接处理两段代码有点棘手,那不妨先考虑一下简单的 case 。

    比如说要将字符串 "a" 改成 "b",这个简单,只要改一个字符就行。

    又比如说要将字符串 "a" 改成 "ab",这个也简单,只要添加一个字符就行。

    再比如说要将字符串 "ab" 改成 "b",这个依然简单,只要删除一个字符就行。

    如果我能算出将一段字符串通过添加、删除、修改三种操作修改成另一个字符串的最少操作次数,应该就能把这瓜给吃了。

    好像是找到了方向,但是要怎么实现呢?

    - 5 -

    既然直接处理两段代码还是有点棘手,那不妨再考虑一下稍微复杂一点的 case,比如把字符串 X = "baidu" 变成 Y = "bytedance"。

    首先,因为 X[0] 和 Y[0] 相同,我们可以把问题简化成:将 "aidu" 变成 "ytedance",即 X[1..4] => Y[1..8](后面简记为 X[1:] => Y[1:])。

    接着,X[1] = 'a', Y[1] = 'y',如上一节所说,这时候我们有三种选择:

    • 添加:给 X 添加 'y' ,当成 "byaidu",于是问题简化为将 "aidu" 变成 "tedance",即 X[1:] => Y[2:];(注意,我们在这里把该操作当成一个思维实验就好,不需要真的修改 X,所以这里 "aidu" 对应 X[1:] 而不是 X[2:])
    • 删除:从 X 中删掉 'a' ,当成 "bidu",问题简化为将 "idu" 变成 ytedance",即 X[2:] => Y[1:];
    • 修改:把 X 这个 'a' 改成 'y',当成 '"byidu",问题简化为将 "idu" 变成 "tedance",即 X[2:] => Y[2:];

    这三种操作中,后续需要的修改次数最少的那个,再加上 1,就是我们把 X[1:] 改成 Y[1:] 所需的最少次数。

    依此类推,如果我们将 X[i:] 变成 Y[j:] 需要 f(i, j) 次操作,由上可得到这样一个公式:

    if X[i] == Y[j]:
      f(i, j) = f(i + 1, j + 1)
    else:
      f(i, j) = 1 + min(
        f(i, j + 1),    #添加
        f(i + 1, j),    #删除
        f(i + 1, j + 1) #修改
      )
    

    也就是说,我们可以用子问题的最优解来推导出问题的最优解,如果用不说人话的方式,就叫做该问题存在最优子结构

    这么一看,代码是不是呼之欲出了?

    - 6 -

    啰嗦了这么多,不能忘了大佬的教导:

    说干就干,把上面推导的公式落地成代码,so easy:

    def change(x, y):
      def f(i, j):
        if x[i] == y[j]:
          return f(i + 1, j + 1)
        else:
          return 1 + min(
            f(i, j + 1),
            f(i + 1, j),
            f(i + 1, j + 1)
          )
      return f(0, 0)
        
    print change("baidu", "bytedance") 
    

    然后跑起来一看:

    $ python change.py 
    Traceback (most recent call last):
      File "change.py", line 13, in <module>
        print change("baidu", "bytedance")
        ... #省略一大段
      File "change.py", line 3, in f
        if x[i] == y[j]:
    IndexError: string index out of range
    

    - 7 -

    "index out of range",越界了 —— 显然,这里漏掉了递归的终止条件。

    不过这个简单:如果 X 越界了,说明这时 i == len(X),那么 Y 还剩几个字符,我们都加上就行,即还需要 len(Y) - j 次操作;或者 Y 越界了,说明 j == len(Y),我们把 X 剩下的几个字符删掉,即 len(X) - i 次操作。

    于是代码变成了:

    def change(x, y):
      def f(i, j):
        if i == len(x):
          return len(y) - j
        if j == len(y):
          return len(x) - i
    
        if x[i] == y[j]:
          return f(i + 1, j + 1)
        else:
          return 1 + min(
            f(i, j + 1),
            f(i + 1, j),
            f(i + 1, j + 1)
          )
      return f(0, 0)
    
    print change("baidu", "bytedance")
    

    跑起来效果杠杠的,马上就得到了 7,算得没毛病。

    只可惜这代码还没法用 —— 别说跑那些参赛代码,就连长度为 16 的两个字符串都跑不出结果……

    - 8 -

    稍微分析一下我们就会发现,它竟然是指数时间复杂度的:

    image

    不过仔细观察上图(不仔细也没关系,我给红色高亮了),我们可以发现,为了计算 f(i, j),我们需要计算 f(i + 1, j + 1);而且它也被用于计算 f(i, j + 1) 和 f(i + 1, j) 。

    这意味着这个问题存在重复子问题,类似于我们用 f(i) = f(i - 1) + f(i - 2) 计算 <del>飞波纳妾</del> fibonacci 数列。

    因此我们完全可以将 f(i, j) 存下来、避免重复计算,就像这样:

    def change(x, y):
      cache = {}
      def f(i, j):
        if i == len(x):
          return len(y) - j
        if j == len(y):
          return len(x) - i
    
        if (i, j) not in cache:
          if x[i] == y[j]:
            ans = f(i + 1, j + 1)
          else:
            ans = 1 + min(
              f(i, j + 1),
              f(i + 1, j),
              f(i + 1, j + 1)
            )
          cache[(i, j)] = ans
    
        return cache[(i, j)]
    
      return f(0, 0)
    

    注:实际上这里也可以直接用一个二维数组 f[i][j] 来保存 f(i, j),对 C/C++ 来说实现会更容易,读写效率也更高。

    优化以后,因为每个 f(i, j) 只需要计算 1 次、并且可以在常数时间里完成(因为子问题已经计算好了),我们将时间复杂度降到了 O(m * n) ,从而可以在短时间内计算出结果了。

    - 9 -

    在这个问题里,还有一个很重要的特性是,我们在计算 f(i, j) 的时候,并不关心从 f(0, 0) 到 f(i, j) 的推导过程,或者说从 f(0, 0) 推导到 f(i, j) 的过程对后续计算 f(i, j) 没有任何影响。用不说人话的方式,这就叫做无后效性

    注意,无后效性并不是对所有问题都成立的。

    比如在一个 N * N 的迷宫里寻找从坐标 (1, 1) 走到 (N, N) 的一条路径,我们在使用 BFS 或 DFS 搜索时需要将路过的坐标做好标记,避免再次走到,因此从 (1, 1) 到 (x, y) 的路径是会影响从 (x, y) 到 (N, N) 的路径,不满足无后效性。

    汇总一下前面提到的这个问题的几个特点:

    • 最优子结构
    • 重复子问题
    • 无后效性

    —— 这不就是标准的 动态规划 问题嘛!对应的,第 5 节我们推导出的公式,就是这个动态规划问题的状态转移方程了!

    由于满足这几个特性,我们实际上可用迭代的方式,从 f(m, n) 倒推出 f(0, 0),这样可以使用循环而不是递归,进一步提高代码的运行效率。

    另外,对于同一个动态规划问题,状态转移方程也可以不止有一种写法,比如我们可以定义 g(i, j) 为将 X[1..i] 变为 Y[1..j] 的最小操作次数,于是:

    if X[i] == Y[j]:
      g(i, j) = g(i - 1, j - 1)
    else:
      g(i, j) = 1 + min(
        g(i, j - 1),
        g(i - 1, j),
        g(i + 1, j + 1)
      )
    

    基于这一版状态转移方程,我们就可以从 f(0, 0) 开始逐步计算出 f(m, n)。

    具体代码就不在这里贴了,感兴趣的同学可以自己写写看,注意边界值的处理就好。

    实际上,这个算法叫做编辑距离,英文名 Levenshtein distance,是一个和普京同名、姓 Levenshtein 的战斗民族大佬在 1965 年提出的算法;该算法经典到 php 的标准库里竟然包含了一个 levenshtein 函数(<del>可见 php 的作者真是太闲了</del>)。

    - a -

    还没完,在追求性能和效果的路上我们还能走得更远,根据代码本身的特性,我们还有一些优化可以做。

    比如说代码的注释是可以先删掉再比较。

    比如说代码里的字符串也可以删掉再比较。

    比如说代码里的空格,貌似也不影响我们的相似度对比。

    通过这样的操作,我们可以大幅缩短了需要对比的代码长度,对于 O(m*n) 的算法而言,这个改善是很可观的。

    此外,当时下场切瓜的另一位瓜友将这个思路推到了极致:既然我们认为代码的整体框架不变、改变的只是变量名这些东西,那我们直接把所有字母、数字、空格等字符全删除,只留下标点符号来代表代码的框架,不是更香吗?

    这样我们既提升了计算的效率,又进一步提升了计算的效果。

    值得一提的是,该瓜友用的不是编辑距离,而是另一个经典的动态规划算法“最长公共子序列( LCS )”。

    - b -

    啰嗦了这么多,终于可以写总结了:

    • 计算两个文本的相似度,可以使用编辑距离或者最长公共子序列算法;这两个都是典型的动态规划算法;
    • 动态规划问题需要满足最优子结构、重复子问题、无后效性;
    • 要解决动态规划问题,先定义状态,推导状态转义方程,再编码;可以用递归也可以用迭代,前者实现简单,后者运行更快;
    • 搞事情要考虑后果,本不应该把参赛账号名也直接公开,结果是那次比赛有些人面子上有点不好看;不过年轻时谁没犯点错呢,除了自己谁又还记得呢?

    最后,“编辑距离” 是个 LeetCode 的原题( No. 72,传送门),;“最长公共子序列” 也是个 LeetCode 的原题( No. 1143,传送门),感兴趣的同学也别错过。

    都看到这儿了,不如分享给你的小伙伴吧,感谢~


    推荐阅读:


    欢迎关注

    weixin2s.png

       ▄▄▄▄▄▄▄   ▄      ▄▄▄▄ ▄▄▄▄▄▄▄  
       █ ▄▄▄ █ ▄▀ ▄ ▀██▄ ▀█▄ █ ▄▄▄ █  
       █ ███ █  █  █  █▀▀▀█▀ █ ███ █  
       █▄▄▄▄▄█ ▄ █▀█ █▀█ ▄▀█ █▄▄▄▄▄█  
       ▄▄▄ ▄▄▄▄█  ▀▄█▀▀▀█ ▄█▄▄   ▄    
       ▄█▄▄▄▄▄▀▄▀▄██   ▀ ▄  █▀▄▄▀▄▄█  
       █ █▀▄▀▄▄▀▀█▄▀█▄▀█████▀█▀▀█ █▄  
        ▀▀  █▄██▄█▀  █ ▀█▀ ▀█▀ ▄▀▀▄█  
       █▀ ▀ ▄▄▄▄▄▄▀▄██  █ ▄████▀▀ █▄  
       ▄▀▄▄▄ ▄ ▀▀▄████▀█▀  ▀ █▄▄▄▀▄█  
       ▄▀▀██▄▄  █▀▄▀█▀▀ █▀ ▄▄▄██▀ ▀   
       ▄▄▄▄▄▄▄ █ █▀ ▀▀   ▄██ ▄ █▄▀██  
       █ ▄▄▄ █ █▄ ▀▄▀ ▀██  █▄▄▄█▄  ▀  
       █ ███ █ ▄ ███▀▀▀█▄ █▀▄ ██▄ ▀█  
       █▄▄▄▄▄█ ██ ▄█▀█  █ ▀██▄▄▄  █▄  
    
    13 条回复    2020-08-09 02:02:46 +08:00
    BrettD
        1
    BrettD   2020-08-08 14:46:57 +08:00 via iPhone
    文章开头提到代码抄袭检测,我第一反应还以为会是检测语义树、IR 或者生成出来的机器码的相似度
    felix021
        2
    felix021   2020-08-08 14:50:31 +08:00
    @BrettD 这个搞起来就麻烦多了,当时我也不会(说得好像现在我会似的)
    Mirage09
        3
    Mirage09   2020-08-08 14:52:27 +08:00 via iPad
    没那么麻烦,查代码抄袭 moss 跑一遍就行了
    learningman
        4
    learningman   2020-08-08 17:10:16 +08:00
    公众号直接复制过来的吧
    hcymk2
        5
    hcymk2   2020-08-08 17:21:51 +08:00 via Android
    文章不错,建议还是不要放那些无意义的 meme.
    felix021
        6
    felix021   2020-08-08 17:46:22 +08:00 via Android
    @learningman 大意了,发的时候还能刷出来,现在被限制了
    felix021
        7
    felix021   2020-08-08 17:47:38 +08:00 via Android
    @hcymk2 感谢建议,不过每个人口味不一样,我还是按我觉得舒适的方式来。
    msg7086
        8
    msg7086   2020-08-08 20:13:48 +08:00 via Android   ❤️ 1
    道理我都懂,瓜呢…
    lfr
        9
    lfr   2020-08-08 21:16:33 +08:00
    不就是 leetcode 原题——编辑距离
    felix021
        10
    felix021   2020-08-08 22:00:10 +08:00 via Android
    @msg7086 这么多年了,早就烂透了
    buffzty
        11
    buffzty   2020-08-08 23:34:58 +08:00
    看见装乎体的帖子就没有看的欲望 举报了. 别让 v 站成为第二个装乎
    felix021
        12
    felix021   2020-08-09 01:19:13 +08:00 via Android
    @buffzty 看到不爽的就举报?真是友善度 max 。v 站不是你家的,别太把自己当回事儿了。
    jedihy
        13
    jedihy   2020-08-09 02:02:46 +08:00 via iPhone
    想看的是瓜,不是 edit distance 。
    关于   ·   帮助文档   ·   FAQ   ·   API   ·   我们的愿景   ·   广告投放   ·   感谢   ·   实用小工具   ·   2237 人在线   最高记录 5497   ·     Select Language
    创意工作者们的社区
    World is powered by solitude
    VERSION: 3.9.8.5 · 25ms · UTC 03:15 · PVG 11:15 · LAX 20:15 · JFK 23:15
    ♥ Do have faith in what you're doing.