AI根據(jù)代碼內(nèi)容自動起函數(shù)名，再也不怕命名

夢晨 發(fā)自 凹非寺

量子位 報道 | 公眾號

有的人能把代碼寫成推理小說。

需要一個臨時變量的時候就叫temp，需要多個就叫var1，var2。

甚至用拼音縮寫當(dāng)函數(shù)名，比如查詢訂單就叫cxdd。

要想看懂這樣的代碼，得聯(lián)系上下文反復(fù)推敲，還原每個部分的真實(shí)作用。

這個過程叫做反混淆()。

麻煩，著實(shí)麻煩。就沒有省事兒點(diǎn)的辦法嗎？

讓AI來啊！

最近，就出了這樣一個語言模型DOBF，專治代碼混淆。

像下圖這種，所有不影響運(yùn)行的變量名、函數(shù)名、類名，都被替換成無意義的符號，AI都能作出猜測并嘗試還原。

來看看和正確答案的對比，雖然不是完全一樣，但AI的改法也大大提高了代碼的可讀性。

像，源代碼中是“重置參數(shù)”，AI改成“初始化權(quán)重”，也完全說得通。

DOBF模型目前除了還支持C++和Java。

編碼不規(guī)范的人畢竟是少數(shù)，這個模型更廣泛的用途是恢復(fù)故意做混淆以保護(hù)知識產(chǎn)權(quán)的代碼，比如這種：

代碼寫好后，把不影響編譯運(yùn)行的部分，批量替換成人類難以分辨的符號，給破譯增加難度。

在這之前也有掩碼語言模型( )用于恢復(fù)被遮蔽的文本。

用于恢復(fù)代碼的有哈工大&微軟開發(fā)的和之前開發(fā)的，但效果都不如最新的DOBF。

DOBF超過它們靠的不是模型架構(gòu)上的創(chuàng)新或數(shù)據(jù)集的完善，而是提出了新的預(yù)訓(xùn)練任務(wù)。

合理的任務(wù)指導(dǎo)AI學(xué)習(xí)

之前的掩碼語言模型多是隨機(jī)選擇要掩蔽的部分，經(jīng)常會選到括號逗號這種對AI來說沒什么難度的。

DOBF的做法是指定遮蔽變量名、函數(shù)名和類名并讓AI去恢復(fù)，這個任務(wù)難度更大，能迫使AI學(xué)到更深層的規(guī)律。

另外還用相同的符號替代多次出現(xiàn)的同一名稱，這樣可以防止AI發(fā)現(xiàn)有的名字可以復(fù)制粘貼之后學(xué)會偷懶走捷徑。

像上圖中的變量V3，AI從第3行的定義可以看出這個變量是List類型，再一看第5行調(diào)用的是pop(0)。

這不是先進(jìn)先出嘛，AI就會命名成(隊列)而不是(堆棧)了。

更厲害的還在后面，DOBF通過代碼內(nèi)容甚至能判斷出相應(yīng)函數(shù)是生成斐波那契數(shù)列和做向量點(diǎn)積的。

DOBF在架構(gòu)上其實(shí)沒有特別的設(shè)計，只是為了公平對比分別訓(xùn)練了兩個和、層數(shù)一樣的模型。

成功的關(guān)鍵之處就在于合理的訓(xùn)練任務(wù)。