Методика идентификации автора исходного кода программы на основе multi-view-представлений
DOI: 10.21293/1818-0442-2025-28-3-59-65
☷
- О ТУСУРе
- Абитуриентам
-
Студентам
- Первокурсникам
- Расписание занятий
- Система дистанционного обучения
- Научно-образовательный портал
- Библиотека
- Групповое проектное обучение
- Журнал посещаемости
- Журнал успеваемости
- Клубы по интересам
- Спорт в ТУСУРе
- Профком студентов
- Содействие трудоустройству
- Облачное хранилище ТУСУРа
- Поддержка студенческих семей
- Поддержка участников СВО и их детей
- Многофункциональный центр
- Аспирантам
-
Сотрудникам
- Телефонный справочник
- Расписание занятий
- Система дистанционного обучения
- Научно-образовательный портал
- Библиотека
- Журнал посещаемости
- Журнал успеваемости
- Генератор рабочих программ
- Генератор ОПОП
- Генератор ИПРП
- Показатели эффективности труда ППС
- Спорт в ТУСУРе
- Профком сотрудников
- Облачное хранилище ТУСУРа
- Выпускникам
- Партнёрам
Аннотация: Представлена новая методика идентификации автора программного кода, основанная на multi-view-подходе. Це-лью исследования является повышение точности и устойчивости идентификации авторства за счет объединения различных представлений программного кода: исходного кода, абстрактного синтаксического дерева, графа пото-ка управления и дизассемблированного кода. Для построения моделей использовались современные методы ма-шинного обучения, позволяющие интегрировать и анализировать комплексные признаки из разных источников. Проведенные эксперименты показали, что разработанная multi-view-архитектура обеспечивает значительное улучшение качества идентификации по сравнению с традиционными подходами, использующими только одно представление кода. Так, на задачах с закрытым множеством авторов достигнуты значения точности и F1-макро до 0,97, а на открытых множествах отмечена высокая устойчивость к появлению новых авторов и вариативности стилей программирования. В задаче верификации автора комплексные признаки позволили достичь точности до 0,98 и снизить EER до 0,04.
Ключевые слова: программное обеспечение, исходный код, дизассемблер, графовое представление, авторство, верификация
Сведения о финансировании: Работа выполнена при финансовой поддержке Министерства науки и высшего образования РФ в рамках базовой части государственного задания ТУСУРа на 2023–2025 гг. (проект № FEWM-2023-0015).
Библиография статьи:
Куртукова А. В. Методика идентификации автора исходного кода программы на основе multi-view-представлений / А. В. Куртукова // Доклады Томского государственного университета систем управления и радиоэлектроники. – 2025. – Т. 28, № 3. – С. 59–65. DOI: 10.21293/1818-0442-2025-28-3-59-65
Авторы и правообладатели:
- Куртукова А. В. , Томский государственный университет систем управления и радиоэлектроники (Томск, Россия)
- 1. Alrabaee S. Binary code fingerprinting for cybersecurity: Application to malicious code fingerprinting / S. Alrabaee, M. Debbabi, P. Shirani, L. Wang, A. Youssef, A. Rahimian, L. Nouh, D. Mouheb, H. Huang. – Cham: Springer, 2020. – 249 p.
- 2. HajiHosseinKhani S. AuthAttLyzer-V2: Unveiling Code Authorship Attribution Using Enhanced Ensemble Learning Models and Generating Benchmark Dataset / S. HajiHosseinKhani, B. Joshi, A. Habibi Lashkari // Data Science. CSCE 2024. Communications in Computer and Information Science. – Cham: Springer, 2025. – Vol. 2253. – P. 148–165.
- 3. Gurioli A. Stylometry for real-world expert coders: a zero-shot approach / A. Gurioli, M. Gabbrielli, S. Zacchiroli // PeerJ Computer Science. – 2024. – Vol. 10. – Р. e2429.
- 4. Alsulami B. Source Code Authorship Attribution Using Long Short-Term Memory Based Networks / B. Alsulami, E. Dauber, R. Harang, S. Mancoridis, R. Greenstadt // Computer Security. Lecture Notes in Computer Science. – Cham: Springer, 2017. – Vol. 10492. – P. 65–82.
- 5. Caliskan-Islam A. De-anonymizing programmers via code stylometry / A. Calis-kan-Islam, R. Harang, A. Liu, A. Narayanan, C. Voss, F. Yamaguchi, R. Green-stadt // Proceedings of the 24th USENIX Security Symposium. – Berkeley, CA: USENIX Association, 2015. – P. 255–270.
- 6. Frantzeskou E. Source code authorship analysis using byte-level or n-gram fea-tures / E. Frantzeskou, E. Stamatatos, S. Gritzalis, C. Chaski // Journal of Systems and Software // Information and Software Technology. – 2006. – Vol. 6. – P. 508–515.
- 7. Ilyas M. Source Code Author Attribution Using Author’s Programming Style and Code Smells / M. Ilyas, T. Zia, M. Gull // International Journal of Intelligent Sys-tems and Applications. – 2017. – Vol. 9, No. 5. – P. 22–33. DOI: 10.5815/ijisa.2017.05.04.
- 8. Gorchakov A.V. Source Code Embeddings Based on Control Flow Graphs and Markov Chains for Program Classification / A.V. Gorchakov, L.A. Demidova, V.V. Maslennikov // Proc. 6th Int. Conf. on Control Systems, Mathematical Modeling, Automation and Energy Efficiency (SUMMA). – Lipetsk, Russian Federation, 2024. – P. 328–333.
- 9. Bogdanova A. Source code authorship attribution using file embeddings // Companion Proceedings of the 2021 ACM SIGPLAN: International Conference on Systems, Programming, Languages, and Applications: Software for Humanity. – 2021. – P. 31–33.
- 10. Zhen L. RoPGen: Towards Robust Code Authorship Attribution via Automatic Coding Style Transformation // Proceedings of the 44th IEEE International Conference on Software Engineering (ICSE). – Pittsburgh, PA, USA, 2022. – P. 1906–1918.
- 11. Yang X. Authorship attribution of source code by using back propagation neural network based on particle swarm optimization / X. Yang, G. Xu, Q. Li, Y. Guo, M. Zhang // PLoS ONE. – 2017. – Vol. 12, No. 11. – Р. e0187204.
- 12. Mahbub P. Authorship Identification of Source Code Segments Written by Multi-ple Authors Using Stacking Ensemble Method / P. Mahbub, N.Z. Oishie, S.M.R. Haque // Proceedings of the 22nd International Conference on Computer and In-formation Technology (ICCIT). – Dhaka, Bangladesh: IEEE, 2019. – P. 1–6.
- 13. Álvarez-Fidalgo D. CLAVE: A deep learning model for source code authorship verification with contrastive learning and transformer encoders / D. Álvarez-Fidalgo, F. Ortín // Information Processing Management. – 2025. – Vol. 62. – Р. 104005.
- 14. Choi S. I Can Find You in Seconds! Leveraging Large Language Models for Code Authorship Attribution / S. Choi, Y.K.Tan, M.H. Meng, M. Ragab, S. Mondal, D. Mohaisen, K.M.M. Aung [Электронный ресурс]. – URL: https://doi.org/10.48550/arXiv.2501.08165 (дата обращения: 15.08.2025).
- 15. Adam I. Learning Explainable Multi-view Representations for Malware Authorship Attribution / I. Adam, A. Waagen, D. Warmsley, J. Xu // Proc. 2023 IEEE Int. Conf. on Big Data (BigData). – 2023. – P. 3099–3106.
- 16. Романов А.С. Методология идентификации автора текстовой информации для решения задач кибербезопасности: дис. … д-ра техн. наук. – Томск: ТУСУР, 2025 [Электронный ресурс]. – URL: https://postgraduate.tusur.ru/urls/51p1ctn6 (дата обращения: 06.09.2025).
- 17. GitHub [Электронный ресурс]. – URL: https://github.com/ (дата обращения: 15.08.2025).
- 18. Kurtukova A. Complex Cases of Source Code Authorship Identification Using a Hybrid Deep Neural Network / A. Kurtukova, A. Romanov, A. Shelupanov, A. Fedotova // Future Internet. – 2022. – Vol. 14. – Р. 287.
-2026-1_%D0%BA%D0%BE%D0%BF%D0%B8%D1%8F.jpg)
Адрес редакции
Подписка на обновления
