不再重復(fù)造輪子，AI 給你推薦更好的代碼，還沒bug
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(fèi)用為3120億美元。
現(xiàn)代軟件系統(tǒng)越來越復(fù)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(xiàn)在，AI帶來了福音。
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(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。
代碼相似性檢測可以應(yīng)用在代碼推薦、自動修復(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可以對不完整的代碼片段進(jìn)行評估，當(dāng)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(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)行代碼片段的對比。由于MISIM不受編程語言限制，它還可以用于代碼語言轉(zhuǎn)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(xué)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(shù)據(jù)集中被標(biāo)記為相似。MISIM的表現(xiàn)始終好于三個當(dāng)前最先進(jìn)系統(tǒng)，最高達(dá)到40.6倍。
自動代碼生成一直是一個研究熱點(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語言模型甚至可以根據(jù)自然語言描述生成網(wǎng)頁布局的代碼。而代碼相似性檢測則可以復(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(dāng)然，代碼相似性檢測也可以用于代碼查重。所以，計算機(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)，但誰知道AI什么時候會后來居上呢？
1. MISIM架構(gòu)
MISIM架構(gòu)概覽
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(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)算法來確定給定源代碼的目的（例如，代碼是一個函數(shù)調(diào)用、一個操作等）。其次，MISIM還具有基于神經(jīng)網(wǎng)絡(luò)的代碼相似性評估算法，該算法可通過各種神經(jīng)網(wǎng)絡(luò)架構(gòu)來實現(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)行代碼相似度評估（例如，向量點(diǎn)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(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)確率識別出兩個程序的相似程度。
將代碼的結(jié)構(gòu)與CASS集成在一起后，算法就會根據(jù)代碼要執(zhí)行的工作計算相似性分?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(jìn)行評級（編譯器將人類可讀的源代碼轉(zhuǎn)換為計算機(jī)可執(zhí)行的機(jī)器代碼），甚至可以對不完整的代碼片段進(jìn)行評估。
MISIM-GNN的架構(gòu)如下圖所示。對于這種方法，輸入代碼的CASS表征被轉(zhuǎn)換為圖。然后，將圖中的每個節(jié)點(diǎn)嵌入一個可訓(xùn)練的向量，作為該節(jié)點(diǎn)的初始狀態(tài)。接下來，使用GNN迭代更新每個節(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)提取整個圖的向量表征。
MISIM-GNN 架構(gòu)
2 . 不再重復(fù)造輪子
研究人員仍然在擴(kuò)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(shù)，而不用再重復(fù)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?qū)Ｗ⒂诟邉?chuàng)造性、減少重復(fù)性的任務(wù)。
英特爾實驗室首席科學(xué)家兼機(jī)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(biāo)之一就是實現(xiàn)全民編程。”
或許有一天，代碼相似性檢測可以擴(kuò)展到自然語言中，到時候要實現(xiàn)全民編程，就不再是難事。
3. 相關(guān)論文
不再重復(fù)造輪子，AI 給你推薦更好的代碼，還沒bug
論文地址：https://arxiv.org/pdf/2006.05265.pdf
不再重復(fù)造輪子，AI 給你推薦更好的代碼，還沒bug
代碼相似檢測系統(tǒng)的準(zhǔn)確率比較，結(jié)果是運(yùn)行3次的平均值和相對于平均值的最小/最大值。
不再重復(fù)造輪子，AI 給你推薦更好的代碼，還沒bug
code2vec、NCC、Aroma、MISIM在POJ-104測試集上的準(zhǔn)確率結(jié)果。條形高度表示運(yùn)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。
