不再重復(fù)造輪子，AI 給你推薦更好的代碼，還沒bug

作者：青暮 2020-09-19 09:47:05

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(fù)地?fù)竍ug，摳到懷疑人生。

劍橋大學(xué)法官商學(xué)院發(fā)表的一項(xiàng)研究顯示，程序員將50.1％的工作時(shí)間用于編程，而將一半的時(shí)間用于debug。估計(jì)每年的debug總費(fèi)用為3120億美元。

現(xiàn)代軟件系統(tǒng)越來(lái)越復(fù)雜，很多時(shí)候一個(gè)小小的錯(cuò)誤就可能讓系統(tǒng)崩潰，帶來(lái)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(jià)。但現(xiàn)在，AI帶來(lái)了福音。

英特爾、麻省理工學(xué)院、佐治亞理工學(xué)院的研究人員合作開發(fā)了自動(dòng)化代碼相似性檢測(cè)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(jié)構(gòu)和算法，也可以依據(jù)它們是否執(zhí)行相似的任務(wù)、是否有相似的代碼特征加以判斷。

代碼相似性檢測(cè)可以應(yīng)用在代碼推薦、自動(dòng)修復(fù)bug中。在代碼推薦的應(yīng)用過程有點(diǎn)像輸入法的詞推薦，由于MISIM可以對(duì)不完整的代碼片段進(jìn)行評(píng)估，當(dāng)它檢測(cè)到不完整的、有bug的代碼時(shí)，就會(huì)從其它地方選出功能一樣的、沒有bug的代碼，來(lái)替換原來(lái)的代碼。

并且，MISIM 還會(huì)將代碼轉(zhuǎn)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(jìn)行代碼片段的對(duì)比。由于MISIM不受編程語(yǔ)言限制，它還可以用于代碼語(yǔ)言轉(zhuǎn)換。

在45,780個(gè)程序的實(shí)驗(yàn)評(píng)估中，MISIM識(shí)別C和C ++程序中的代碼，這些程序是由學(xué)生編寫的，旨在解決104個(gè)編碼問題。如果一對(duì)程序都解決了相同的問題，則它們?cè)跀?shù)據(jù)集中被標(biāo)記為相似。MISIM的表現(xiàn)始終好于三個(gè)當(dāng)前最先進(jìn)系統(tǒng)，最高達(dá)到40.6倍。

自動(dòng)代碼生成一直是一個(gè)研究熱點(diǎn)，產(chǎn)業(yè)界和學(xué)術(shù)界都在此方向上努力著。OpenAI的GPT-3語(yǔ)言模型甚至可以根據(jù)自然語(yǔ)言描述生成網(wǎng)頁(yè)布局的代碼。而代碼相似性檢測(cè)則可以復(fù)用已有代碼，使質(zhì)量高的代碼得到更有效的利用。

輸入“創(chuàng)建一個(gè)長(zhǎng)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(hào)字體”，GPT-3就生成了上圖中的紅色大號(hào)字體。

當(dāng)然，代碼相似性檢測(cè)也可以用于代碼查重。所以，計(jì)算機(jī)系的同學(xué)們，注意自己寫作業(yè)！雖然現(xiàn)在已有非AI的代碼查重系統(tǒng)，但誰(shuí)知道AI什么時(shí)候會(huì)后來(lái)居上呢？

1. MISIM架構(gòu)

MISIM架構(gòu)概覽

MISIM由兩個(gè)核心組件組成。首先，MISIM具有新型的上下文感知語(yǔ)義結(jié)構(gòu)（CASS），該結(jié)構(gòu)通過捕獲描述代碼上下文的信息，使用機(jī)器學(xué)習(xí)算法來(lái)確定給定源代碼的目的（例如，代碼是一個(gè)函數(shù)調(diào)用、一個(gè)操作等）。其次，MISIM還具有基于神經(jīng)網(wǎng)絡(luò)的代碼相似性評(píng)估算法，該算法可通過各種神經(jīng)網(wǎng)絡(luò)架構(gòu)來(lái)實(shí)現(xiàn)。

一旦構(gòu)建了CASS，就將其向量化并用作神經(jīng)網(wǎng)絡(luò)的輸入，神經(jīng)網(wǎng)絡(luò)會(huì)生成特征向量。生成特征向量后，就可以進(jìn)行代碼相似度評(píng)估（例如，向量點(diǎn)積、余弦相似度等）。

對(duì)于MISIM的相似性評(píng)估算法，研究人員研究了三種神經(jīng)網(wǎng)絡(luò)方法：GNN、RNN和BoF神經(jīng)網(wǎng)絡(luò)。其中，使用GNN的 MISM 總體表現(xiàn)最好，能夠以超過75%的準(zhǔn)確率識(shí)別出兩個(gè)程序的相似程度。

將代碼的結(jié)構(gòu)與CASS集成在一起后，算法就會(huì)根據(jù)代碼要執(zhí)行的工作計(jì)算相似性分?jǐn)?shù)。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(huì)將它們?cè)u(píng)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(jí)別信息。而且CASS可以在不使用編譯器的情況下對(duì)代碼進(jìn)行評(píng)級(jí)（編譯器將人類可讀的源代碼轉(zhuǎn)換為計(jì)算機(jī)可執(zhí)行的機(jī)器代碼），甚至可以對(duì)不完整的代碼片段進(jìn)行評(píng)估。

MISIM-GNN的架構(gòu)如下圖所示。對(duì)于這種方法，輸入代碼的CASS表征被轉(zhuǎn)換為圖。然后，將圖中的每個(gè)節(jié)點(diǎn)嵌入一個(gè)可訓(xùn)練的向量，作為該節(jié)點(diǎn)的初始狀態(tài)。接下來(lái)，使用GNN迭代更新每個(gè)節(jié)點(diǎn)的狀態(tài)。最后，應(yīng)用全局讀取函數(shù)從節(jié)點(diǎn)的最終狀態(tài)提取整個(gè)圖的向量表征。