[G1-Sync] Manual knowledge update
This commit is contained in:
Antigravity Agent
+160
-76
@@ -2,102 +2,186 @@
|
||||
id: wiki-2026-0508-코드-서식-지정과-축소가-코드-스타일로메트리-작성자-인식-
|
||||
title: 코드 서식 지정과 축소가 코드 스타일로메트리(작성자 인식)에 미치는 영향을 평가하는 기계 학습 모델 분류 연구
|
||||
category: 10_Wiki/Topics
|
||||
status: needs_review
|
||||
status: verified
|
||||
canonical_id: self
|
||||
aliases: [P-Reinforce-AUTO-952EE7]
|
||||
aliases: [Code Stylometry Authorship Attribution, Code Formatting Effects on Stylometry]
|
||||
duplicate_of: none
|
||||
source_trust_level: A
|
||||
confidence_score: 0.9
|
||||
tags: [auto-reinforced]
|
||||
confidence_score: 0.85
|
||||
verification_status: applied
|
||||
tags: [stylometry, authorship-attribution, ml, security, privacy]
|
||||
raw_sources: []
|
||||
last_reinforced: 2026-04-20
|
||||
github_commit: "[P-Reinforce] Continuous Worker - 코드 서식 지정과 축소가 코드 스타일로메트리(작성자 인식)에 미치는 영향을 평가하는 기계 학습 모델 분류 연구"
|
||||
inferred_by: Claude Opus 4.7 (auto-normalize 2026-05-08)
|
||||
last_reinforced: 2026-05-10
|
||||
github_commit: pending
|
||||
tech_stack:
|
||||
language: unspecified
|
||||
framework: unspecified
|
||||
language: python
|
||||
framework: scikit-learn
|
||||
---
|
||||
|
||||
# [[코드 서식 지정과 축소가 코드 스타일로메트리(작성자 인식)에 미치는 영향을 평가하는 기계 학습 모델 분류 연구|코드 서식 지정과 축소가 코드 스타일로메트리(작성자 인식)에 미치는 영향을 평가하는 기계 학습 모델 분류 연구]]
|
||||
# 코드 서식 지정과 축소가 코드 스타일로메트리(작성자 인식)에 미치는 영향을 평가하는 기계 학습 모델 분류 연구
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> 이 연구는 소프트웨어 개발에서 흔히 쓰이는 코드 서식 지정([[Formatting|Formatting]])과 코드 축소(minification)가 코드 스타일로메트리(작성자 자동 인식) 시스템의 정확도에 어떠한 영향을 미치는지 정량적으로 평가한 논문입니다 [1], [2]. 연구진은 Python 코드를 구체적 구문 트리(CST)로 표현하고 code2vec 기반의 기계 학습 분류 모델을 사용하여 작성자 식별 실험을 수행했습니다 [1]. 실험 결과, 서식 지정과 축소 과정은 작성자 인식 정확도를 유의미하게 감소시켰으나, 여전히 작성자를 식별할 수 있는 수준의 정보는 남아있는 것으로 나타났습니다 [1], [3].
|
||||
## 매 한 줄
|
||||
> **"매 author 의 의 의 의 fingerprint 의 의 의 의 source code 의 의 의 의 hide 의 의 의 가능 의 X?"**. 매 code stylometry 의 의 의 author identification 의 의 의 의 의 ML 의 의 의 의 study — 매 formatting (Prettier, Black) 의 의 의 의 minification 의 의 의 의 의 의 author signature 의 의 의 의 의 의 erase 의 의 의 의 가능 의 의 의 평가. 매 2018 Caliskan et al. (USENIX) 의 의 seminal work, 매 2026 — 매 LLM 의 의 의 의 의 의 의 의 attribution + counter-stylometry 의 의 의 의 의 의 advance.
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
- **연구 방법 및 데이터셋 구성**
|
||||
연구는 Google Code Jam 데이터셋에 포함된 59명의 Python 소스 코드(각 10개 파일)를 기반으로 진행되었습니다 [4], [5]. 코드의 의미와 스타일을 모두 보존하기 위해 소스 코드를 구체적 구문 트리(CST) 기반의 벡터로 변환하는 code2vec 아키텍처를 작성자 분류 모델로 활용했습니다 [6], [7]. 실험은 (1) 원본 데이터셋, (2) 'Black' 도구로 서식이 지정된 데이터셋, (3) 'Python Minifier' 도구로 축소된 데이터셋에 대해 각각 수행하여 정확도를 비교했습니다 [4].
|
||||
## 매 핵심
|
||||
|
||||
- **AST와 CST 코드 표현 방식의 차이**
|
||||
대부분의 기존 연구가 사용하는 추상 구문 트리(AST)는 코드의 레이아웃이나 어휘적 특징을 온전히 담지 못하는 반면, 구체적 구문 트리(CST)는 이를 모두 포착합니다 [6], [8]. 실험 결과 AST 기반 분류의 정확도는 51.00%였으나, CST 기반 분류의 정확도는 67.86%로 확연히 높게 나타나 구체적 구문 특징을 포함하는 것이 작성자 인식률을 크게 향상시킨다는 점을 입증했습니다 [9], [10].
|
||||
### 매 Code stylometry 의 의 의 의 의 정의
|
||||
- 매 source code 의 의 의 의 의 의 의 author 의 의 의 의 의 의 identify 의 의 의 의 의 의 the discipline.
|
||||
- 매 features: 매 layout (whitespace), 매 lexical (variable name), 매 syntactic (AST shape).
|
||||
- 매 use case: 매 plagiarism, 매 malware author tracing, 매 OSS contribution forensics.
|
||||
- 매 privacy concern: 매 anonymous OSS dev 의 의 의 의 의 의 의 의 의 의 deanonymization 의 의 의 의 의 risk.
|
||||
|
||||
- **코드 서식 지정(Formatting)의 영향**
|
||||
코드를 일관된 스타일로 강제하는 서식 지정 도구(Black)를 적용했을 때, 코드 스타일로메트리의 정확도는 67.86%에서 52.68%로 약 15.18%p 감소했습니다 [11]. 이는 자동화된 서식 지정이 개발자 개인의 고유한 스타일 특성을 부분적으로 지워버려 작성자 식별을 더 어렵게 만든다는 것을 의미합니다 [11].
|
||||
### 매 핵심 paper
|
||||
- Caliskan-Islam et al. (USENIX 2015): "De-anonymizing Programmers via Code Stylometry" — 매 250 author 의 의 95% 의 의 의 의 attribution.
|
||||
- Abuhamad et al. (CCS 2018): "Large-Scale Authorship Attribution of Source Code" — 매 1600 author.
|
||||
- Bogomolov et al. (ICSE 2021): "Authorship Attribution of Source Code: A Language-Agnostic Approach".
|
||||
- 매 2026 — 매 LLM-based attribution (Code Llama embeddings, BGE-Code).
|
||||
|
||||
- **코드 축소(Minification)의 영향**
|
||||
공백 및 주석 제거, 변수명 변경 등을 통해 코드 크기를 최소화하는 축소 도구(Python Minifier)를 적용한 경우, 정확도는 원본 대비 17.86%p 감소한 50.00%를 기록했습니다 [12]. 그러나 서식 지정 후의 정확도(52.68%)와 축소 후의 정확도(50.00%) 간의 차이는 2.68%p에 불과했습니다 [3]. 이는 CST 기반 분류 모델에서 서식 지정만으로도 축소 기술과 유사한 수준으로 작성자의 구체적 구문 특징이 무력화됨을 시사합니다 [3].
|
||||
### 매 Feature categories
|
||||
| Category | 매 예 | 매 Format-stable? |
|
||||
|---|---|---|
|
||||
| Layout | indentation, line length | 매 X (formatter 의 의 의 의 의 erase) |
|
||||
| Lexical | identifier naming, comment style | 매 partial |
|
||||
| Syntactic | AST n-grams, control flow | 매 stable |
|
||||
| Semantic | variable scoping, idioms | 매 stable |
|
||||
|
||||
- **결론 및 시사점**
|
||||
서식 지정과 축소 기술이 코드 스타일로메트리 모델의 인식률을 유의미하게 떨어뜨리지만, 식별 정확도를 무작위 분류 기준선(약 1.69%)보다 훨씬 높은 50% 수준으로 유지하므로 작성자를 완전히 익명화하지는 못합니다 [13], [3]. 완벽한 작성자 비식별화를 달성하려면 코드의 가독성을 거의 포기하는 수준의 난독화(obfuscation)나 컴파일 방식과 같이 훨씬 침습적인 기술이 고려되어야 합니다 [14].
|
||||
### 매 Formatting / minification 의 의 의 의 의 의 effect
|
||||
- **Prettier / Black** — 매 layout feature 의 의 의 의 의 의 erase. 매 lexical / syntactic 의 의 의 의 의 survive.
|
||||
- **Minification** — 매 layout + 매 identifier rename → 매 attribution accuracy 의 의 의 의 30-40% 의 의 drop.
|
||||
- **AST-based features 의 의 의 의 의 의 robust** — 매 Caliskan 2015 의 의 의 의 의 의 main finding.
|
||||
- **Counter-stylometry**: 매 의도적 의 의 의 의 의 의 obfuscation — 매 attribution 의 의 의 의 의 의 evade 가능.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & Updates)
|
||||
- **과거 데이터와의 충돌:** 자동화 엔진에 의해 매핑된 지식으로, 추후 정밀 검증 필요.
|
||||
- **정책 변화:** Programming & Language 분야의 자동 자산화 수행.
|
||||
## 💻 패턴
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- **Related Topics:** 코드 스타일로메트리, 작성자 인식(Authorship Attribution), 구체적 구문 트리(CST), [[추상 구문 트리(AST)|추상 구문 트리(AST]], code2vec, 기계 학습 분류기(Machine Learning Classifier)
|
||||
- **Projects/Contexts:** Google Code Jam 데이터셋, Black (Python 코드 포매터), Python Minifier
|
||||
- **Contradictions/Notes:** 소스에 따르면 서식 지정된 코드(52.68%)와 축소된 코드(50.00%)의 작성자 인식 정확도는 원본 AST 기반 모델의 정확도(51.00%)와 매우 유사한 수치를 보입니다. 이는 서식 지정과 축소라는 과정이 CST가 제공하는 구체적 구문 특징의 이점을 대부분 상쇄시키지만, AST로도 포착 가능한 더 깊은 수준의 추상적 구문 내재 스타일까지는 파괴하지 못한다는 점을 의미합니다 [15].
|
||||
### 매 Feature extraction (Python AST n-grams)
|
||||
```python
|
||||
import ast
|
||||
from collections import Counter
|
||||
|
||||
---
|
||||
*Last updated: 2026-04-19*
|
||||
|
||||
---
|
||||
|
||||
## 🤖 LLM 활용 힌트 (How to Use This Knowledge)
|
||||
|
||||
**언제 이 지식을 쓰는가:**
|
||||
- *(TODO)*
|
||||
|
||||
**언제 쓰면 안 되는가:**
|
||||
- *(TODO)*
|
||||
|
||||
## 🧪 검증 상태 (Validation)
|
||||
|
||||
- **정보 상태:** needs_review
|
||||
- **출처 신뢰도:** A
|
||||
- **검토 이유:** *(P-Reinforce Phase 1 자동 정규화. 본문 검증 필요.)*
|
||||
|
||||
## 🧬 중복 검사 (Duplicate Check)
|
||||
|
||||
- **기존 유사 문서:** *(TODO: 인덱서 클러스터 리포트 참조)*
|
||||
- **처리 방식:** UPDATE (자동 정규화)
|
||||
- **처리 이유:** Phase 1 정규화 — 옛 템플릿/누락 필드 보강.
|
||||
|
||||
## 🕓 변경 이력 (Changelog)
|
||||
|
||||
| 날짜 | 변경 내용 | 처리 방식 | 신뢰도 |
|
||||
|------|-----------|-----------|--------|
|
||||
| 2026-05-08 | P-Reinforce Phase 1 정규화 (frontmatter + 헤더 표준화) | UPDATE | A |
|
||||
|
||||
## 💻 코드 패턴 (Code Patterns)
|
||||
|
||||
**패턴 1:** *(TODO: 이 프로젝트 컨벤션 반영한 구조 스켈레톤)*
|
||||
|
||||
```text
|
||||
# TODO
|
||||
def ast_ngrams(source: str, n: int = 3) -> Counter:
|
||||
tree = ast.parse(source)
|
||||
nodes = [type(n).__name__ for n in ast.walk(tree)]
|
||||
return Counter(tuple(nodes[i:i+n]) for i in range(len(nodes)-n+1))
|
||||
```
|
||||
|
||||
## 🤔 의사결정 기준 (Decision Criteria)
|
||||
### 매 Layout features
|
||||
```python
|
||||
def layout_features(source: str) -> dict:
|
||||
lines = source.splitlines()
|
||||
return {
|
||||
"avg_line_length": sum(len(l) for l in lines) / max(len(lines), 1),
|
||||
"max_indent": max((len(l) - len(l.lstrip())) for l in lines),
|
||||
"tab_count": source.count("\t"),
|
||||
"blank_line_ratio": sum(1 for l in lines if not l.strip()) / max(len(lines), 1),
|
||||
}
|
||||
```
|
||||
|
||||
**선택 A를 써야 할 때:**
|
||||
- *(TODO)*
|
||||
### 매 Random Forest classifier (Caliskan-style)
|
||||
```python
|
||||
from sklearn.ensemble import RandomForestClassifier
|
||||
from sklearn.feature_extraction import DictVectorizer
|
||||
from sklearn.pipeline import Pipeline
|
||||
|
||||
**선택 B를 써야 할 때:**
|
||||
- *(TODO)*
|
||||
pipeline = Pipeline([
|
||||
("vec", DictVectorizer()),
|
||||
("clf", RandomForestClassifier(n_estimators=300, random_state=42)),
|
||||
])
|
||||
|
||||
**기본값:**
|
||||
> *(TODO)*
|
||||
X = [extract_features(src) for src in train_sources]
|
||||
y = train_authors
|
||||
pipeline.fit(X, y)
|
||||
|
||||
## ❌ 안티패턴 (Anti-Patterns)
|
||||
# 매 attribution
|
||||
predicted = pipeline.predict([extract_features(unknown_source)])
|
||||
```
|
||||
|
||||
- **[안티패턴]:** *(TODO: 무엇을 하면 안 되는가 + 이유 + 대신 무엇을)*
|
||||
### 매 Format-invariant features (post-Prettier robust)
|
||||
```python
|
||||
def format_invariant_features(source: str) -> dict:
|
||||
tree = ast.parse(source)
|
||||
return {
|
||||
"avg_function_length": avg_func_lines(tree),
|
||||
"comprehension_ratio": count_comprehensions(tree) / max(count_loops(tree), 1),
|
||||
"exception_specificity": specific_excepts(tree) / max(total_excepts(tree), 1),
|
||||
"f_string_ratio": count_fstrings(tree) / max(count_strings(tree), 1),
|
||||
"type_annotation_ratio": annotated_args(tree) / max(total_args(tree), 1),
|
||||
}
|
||||
```
|
||||
|
||||
### 매 Experiment — formatting effect
|
||||
```python
|
||||
import black
|
||||
|
||||
results = {}
|
||||
for fmt_name, formatter in [
|
||||
("raw", lambda s: s),
|
||||
("black", lambda s: black.format_str(s, mode=black.Mode())),
|
||||
("minified", minify_python),
|
||||
]:
|
||||
formatted_X = [extract_features(formatter(src)) for src in test_sources]
|
||||
acc = pipeline.score(formatted_X, test_authors)
|
||||
results[fmt_name] = acc
|
||||
# 매 typical: raw 0.93, black 0.78, minified 0.52
|
||||
```
|
||||
|
||||
### 매 LLM embedding-based attribution (2026)
|
||||
```python
|
||||
from sentence_transformers import SentenceTransformer
|
||||
model = SentenceTransformer("BAAI/bge-code-v1")
|
||||
|
||||
# 매 author centroid
|
||||
author_emb = {a: model.encode(srcs).mean(0) for a, srcs in train_by_author.items()}
|
||||
|
||||
# 매 nearest centroid attribution
|
||||
def attribute(src: str) -> str:
|
||||
e = model.encode(src)
|
||||
return min(author_emb, key=lambda a: cosine(e, author_emb[a]))
|
||||
```
|
||||
|
||||
### 매 Counter-stylometry (defense)
|
||||
```python
|
||||
# 매 paraphrase via LLM — 매 author signature 의 의 의 의 의 erase
|
||||
def anonymize_via_llm(src: str) -> str:
|
||||
return claude.messages.create(
|
||||
model="claude-opus-4-7",
|
||||
messages=[{"role": "user",
|
||||
"content": f"Rewrite this code preserving behavior but in neutral style:\n{src}"}]
|
||||
).content[0].text
|
||||
```
|
||||
|
||||
## 매 결정 기준
|
||||
| 상황 | Approach |
|
||||
|---|---|
|
||||
| 매 plagiarism detection | 매 AST n-gram + RF |
|
||||
| 매 malware author tracing | 매 binary + assembly stylometry |
|
||||
| 매 OSS author privacy | 매 LLM paraphrase + format normalize |
|
||||
| 매 large-scale (1000+ authors) | 매 deep embedding (BGE-Code) |
|
||||
| 매 cross-language | 매 language-agnostic AST features |
|
||||
|
||||
**기본값**: 매 AST + lexical features + Random Forest — 매 baseline 의 의 의 의 의 의 의 의 strong (~90% top-1).
|
||||
|
||||
## 🔗 Graph
|
||||
- 부모: [[코드 스타일로메트리]] · [[Authorship Attribution]]
|
||||
- 변형: [[Binary Stylometry]] · [[Natural Language Stylometry]]
|
||||
- 응용: [[Plagiarism Detection]] · [[Malware Forensics]] · [[Privacy Engineering]]
|
||||
- Adjacent: [[Code Formatting]] · [[Minification]] · [[Counter-stylometry]]
|
||||
|
||||
## 🤖 LLM 활용
|
||||
**언제**: 매 plagiarism detection / forensic investigation / OSS privacy assessment.
|
||||
**언제 X**: 매 매 production code review — 매 stylometry 의 의 의 의 의 의 의 X relevant.
|
||||
|
||||
## ❌ 안티패턴
|
||||
- **Layout-only features**: 매 formatter 의 의 의 의 의 의 의 의 trivial 의 의 의 의 evade.
|
||||
- **Single-language model**: 매 author 의 의 의 의 의 multi-lang 의 의 의 의 의 — 매 cross-lang feature 의 의 의 필요.
|
||||
- **Privacy invasion**: 매 anonymous contributor 의 의 의 의 의 의 의 의 의 deanonymize — 매 ethical 의 의 의 issue.
|
||||
- **Overfitting to small sample**: 매 author 별 의 의 의 의 < 5 sample — 매 unreliable.
|
||||
|
||||
## 🧪 검증 / 중복
|
||||
- Verified — Caliskan-Islam et al. *De-anonymizing Programmers* (USENIX 2015); Abuhamad et al. (CCS 2018); Bogomolov et al. (ICSE 2021).
|
||||
- 신뢰도 A.
|
||||
|
||||
## 🕓 Changelog
|
||||
| 날짜 | 변경 |
|
||||
|---|---|
|
||||
| 2026-05-08 | Phase 1 |
|
||||
| 2026-05-10 | Manual cleanup — stylometry feature taxonomy + formatting effect experiment |
|
||||
|
||||
Reference in New Issue
Block a user