Resumen

Con el desarrollo del aprendizaje profundo, se proponen muchos enfoques basados en redes neuronales para la clonación de código. En este artículo, proponemos un novedoso modelo de detección de código fuente llamado At-biLSTM basado en una red LSTM bidireccional con una capa de autoatención. At-biLSTM se compone de un modelo de representación y un modelo discriminativo. El modelo de representación transforma primero el código fuente en un árbol sintáctico abstracto y lo divide en una secuencia de árboles de sentencias; luego, codifica cada uno de los árboles de sentencias con un algoritmo de recorrido en profundidad. Finalmente, el modelo de representación codifica la secuencia de vectores de sentencias a través de una red LSTM bidireccional, que es un marco clásico de aprendizaje profundo, con una capa de autoatención y produce un vector que representa el código fuente dado. El modelo discriminativo identifica el clon de código según los vectores generados por el modelo de representación. Nuest

• Materias:Big Data Gestión de riesgos Administración de información Red neuronal Teoría de redes
• Subjects:Big Data Risk management Information management Neural network Network Theory
• Palabras claves:Aprendizaje profundo; Redes neuronales; Clonación de código; Modelo de detección de código fuente; Red LSTM; Auto-atención
• Keywords:Deep learning; Neural networks; Code clone; Source code detection model; LSTM network; Self-attention