AI根據(jù)代碼內容自動起函數(shù)名，再也不怕命名不規(guī)范的同事了｜開源
看有些人的代碼像看推理小說
夢晨 發(fā)自 凹非寺
量子位 報道 | 公眾號 QbitAI
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)系上下文反復推敲，還原每個部分的真實作用。
這個過程叫做反混淆(Deobfuscation)。
麻煩，著實麻煩。就沒有省事兒點的辦法嗎？
讓AI來?。?/p>
最近，F(xiàn)acebook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FUNC_0，源代碼中是“重置參數(shù)”，AI改成“初始化權重”，也完全說得通。
DOBF模型目前除了Python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故意做混淆以保護知識產(chǎn)權的代碼，比如這種：
代碼寫好后，把不影響編譯運行的部分，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(Masked Language Model)用于恢復被遮蔽的文本。
用于恢復代碼的有哈工大&微軟開發(fā)的CodeBERT和Facebook之前開發(fā)的TransCoder，但效果都不如最新的DOBF。
DOBF超過它們靠的不是模型架構上的創(chuàng)新或數(shù)據(jù)集的完善，而是提出了新的預訓練任務。
合理的任務指導AI學習
之前的掩碼語言模型多是隨機選擇要掩蔽的部分，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，這個任務難度更大，能迫使AI學到更深層的規(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)有的名字可以復制粘貼之后學會偷懶走捷徑。
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行調用的是pop(0)。
這不是先進先出嘛，AI就會命名成queue(隊列)而不是stack(堆棧)了。
更厲害的還在后面，DOBF通過代碼內容甚至能判斷出相應函數(shù)是生成斐波那契數(shù)列和做向量點積的。
DOBF在架構上其實沒有特別的設計，只是為了公平對比分別訓練了兩個和CodeBERT、TransCoder層數(shù)一樣的模型。
成功的關鍵之處就在于合理的訓練任務。
微調一下能完成更多任務
驗證了這個方法有效后，F(xiàn)acebook把這個訓練任務提取出來稱為DOBF任務，還可以用于訓練其他語言模型。
比如在TransCoder模型上把DOBF作為預訓練任務，再用CodeXGLUE基準測試中的下游任務進行微調。
結果在代碼抄襲檢測、總結代碼生成文檔、和自然語言搜索代碼片段這3個任務上，使用DOBF或MLM+DOBF預訓練都取得了更好的成績。
Facebook下一步還要以DOBF作為指導，看看能不能為自然語言設計更好的預訓練目標。
不過代碼上的事還不算完，人類在混淆代碼上可是無所不用其極的。
期待著有一天，AI連國際C語言混亂代碼大賽上的變態(tài)代碼也能看懂。
Github地址：
https://github.com/facebookresearch/CodeGen/blob/master/docs/dobf.md
論文地址：
https://arxiv.org/abs/2102.07492
國際C語言混亂代碼大賽：
http://www.ioccc.org/
— 完 —
量子位 QbitAI · 頭條號簽約
關注我們，第一時間獲知前沿科技動態(tài)
- 字節(jié)突然開源Seed-OSS，512K上下文主流4倍長度，推理能力刷紀錄2025-08-21
- “現(xiàn)在讀AI博士已經(jīng)太晚了”2025-08-19
- 谷歌AI攻克亞洲語言難題，2300種語言數(shù)字化計劃正在推進2025-08-18
- AMD蘇姿豐公開懟扎克伯格！反對1億年薪挖人，使命感比鈔票更重要2025-08-18
