docs(10_Wiki): 위키 전체 재구성 — Topic_* 폴더를 4개 카테고리로 통합 + 대규모 중복 제거
Topic_Agent/Topic_Blog/Topics/Topics_Biz/Topics_Meeting/Topics_Rag의 마크다운 지식 문서를 Topic_General/Topic_Programming/Topic_Graphic/Topic_Business 4개 카테고리로 재분류. - 중복 제거: frontmatter의 status:duplicate/merged + duplicate_of/redirect_to 필드로 자기 자신을 중복으로 선언한 리다이렉트 stub 1032개 제거, 완전 동일 내용 파일 472개 제거, 동일 파일명·다른 내용 충돌 시 더 큰(완전한) 버전만 유지(162개 제거) — 총 1639개 중복 제거. - 분류: 폴더 단위로 명확한 항목(AI_and_ML/Coding/Architecture 등 → Programming, Comfyui/Visual_Effects → Graphic, Topics_Biz/Topics_Meeting/사업 등 → Business, Poetic_Blog_Writing/창의성/Game_Design 등 → General)은 폴더 우선순위로, 나머지 혼재 폴더(Topic_Agent/Topic_Blog/Topics 루트/Thinking & Reasoning/Other/UI_UX_Assets)는 title/tags 키워드 스코어링으로 파일 단위 분류(불명확한 경우 General로 폴백). 원본 폴더명은 "From_*" 서브폴더로 보존해 추적 가능성 유지. - 최종 배치: Programming 2784 / General 1608 / Graphic 285 / Business 249 = 4926개 문서. - 에이전트 운영 상태(.astra/.agent/.obsidian/sessions/memory/_company/docs/lessons/_shared/src)는 지식 콘텐츠가 아니므로 재분류 대상에서 제외하고 원위치 유지. - Topics/Topic_email(상위 보호 폴더 Topic_email과 파일명 100% 중복) 삭제 — 보호 폴더 자체는 미변경. - 완전히 비게 된 Topic_Agent/Topic_Blog/Topics_Biz/Topics_Rag 폴더 제거.
This commit is contained in:
Antigravity Agent
@@ -0,0 +1,147 @@
|
||||
---
|
||||
id: wiki-2026-0508-code-stylometry-코드-문체론
|
||||
title: Code Stylometry (코드 문체론)
|
||||
category: 10_Wiki/Topics
|
||||
status: verified
|
||||
canonical_id: self
|
||||
aliases: [Authorship Attribution, Code Fingerprinting, Programmer Identification]
|
||||
duplicate_of: none
|
||||
source_trust_level: A
|
||||
confidence_score: 0.9
|
||||
verification_status: applied
|
||||
tags: [security, ml, forensics, privacy]
|
||||
raw_sources: []
|
||||
last_reinforced: 2026-05-10
|
||||
github_commit: pending
|
||||
tech_stack:
|
||||
language: Python
|
||||
framework: scikit-learn/transformers
|
||||
---
|
||||
|
||||
# Code Stylometry (코드 문체론)
|
||||
|
||||
## 매 한 줄
|
||||
> **"매 코드 작성자를 매 stylistic feature 로 식별하는 ML 기법"**. Caliskan et al. 2015 (USENIX) 가 random forest 로 250 명 중 94% 식별. 매 modern era — CodeBERT/StarCoder embedding 기반 분류기로 매 더 강력해짐. Privacy 위협 (anonymous contributor de-anon) ↔ defensive utility (malware attribution, plagiarism detection) 의 양날.
|
||||
|
||||
## 매 핵심
|
||||
|
||||
### 매 feature class
|
||||
- **Lexical**: identifier naming (camelCase vs snake_case), keyword frequency.
|
||||
- **Layout**: indentation, brace style, line length.
|
||||
- **Syntactic**: AST node distribution, depth, n-gram of node types.
|
||||
- **Idiomatic**: preferred construct (`for` vs `map`, ternary vs if).
|
||||
- **Embedding-based**: CodeBERT/StarCoder hidden states (2024+).
|
||||
|
||||
### 매 attack scenario
|
||||
- De-anonymizing GitHub anonymous account.
|
||||
- Linking malware author across samples.
|
||||
- Plagiarism detection in coursework.
|
||||
- Insider threat attribution.
|
||||
|
||||
### 매 응용
|
||||
1. Forensic attribution (FBI/Interpol cases).
|
||||
2. Academic integrity (MOSS, JPlag).
|
||||
3. Bug-injection-source detection (xz-style supply chain).
|
||||
|
||||
## 💻 패턴
|
||||
|
||||
### Layout features
|
||||
```python
|
||||
import re
|
||||
def layout_features(src: str) -> dict:
|
||||
lines = src.split('\n')
|
||||
return {
|
||||
'avg_line_len': sum(len(l) for l in lines) / max(len(lines), 1),
|
||||
'tab_ratio': sum(l.startswith('\t') for l in lines) / max(len(lines), 1),
|
||||
'blank_ratio': sum(not l.strip() for l in lines) / max(len(lines), 1),
|
||||
'snake_ratio': len(re.findall(r'\b[a-z]+_[a-z]+\b', src)),
|
||||
'camel_ratio': len(re.findall(r'\b[a-z]+[A-Z][a-z]+\b', src)),
|
||||
}
|
||||
```
|
||||
|
||||
### AST n-gram (Python)
|
||||
```python
|
||||
import ast
|
||||
from collections import Counter
|
||||
|
||||
def ast_ngrams(src: str, n=3):
|
||||
tree = ast.parse(src)
|
||||
seq = [type(node).__name__ for node in ast.walk(tree)]
|
||||
return Counter(tuple(seq[i:i+n]) for i in range(len(seq)-n+1))
|
||||
```
|
||||
|
||||
### Random forest classifier (Caliskan-style)
|
||||
```python
|
||||
from sklearn.ensemble import RandomForestClassifier
|
||||
from sklearn.feature_extraction import DictVectorizer
|
||||
|
||||
vec = DictVectorizer(sparse=False)
|
||||
X = vec.fit_transform([extract_all_features(s) for s in samples])
|
||||
clf = RandomForestClassifier(n_estimators=300, max_depth=20)
|
||||
clf.fit(X, authors)
|
||||
print(clf.score(X_test, y_test)) # ~90%+ on 100-author corpus
|
||||
```
|
||||
|
||||
### CodeBERT embedding classifier (2024+)
|
||||
```python
|
||||
from transformers import AutoTokenizer, AutoModel
|
||||
import torch
|
||||
|
||||
tok = AutoTokenizer.from_pretrained('microsoft/codebert-base')
|
||||
model = AutoModel.from_pretrained('microsoft/codebert-base').eval()
|
||||
|
||||
def embed(src: str) -> torch.Tensor:
|
||||
inp = tok(src, truncation=True, max_length=512, return_tensors='pt')
|
||||
with torch.no_grad():
|
||||
out = model(**inp).last_hidden_state[:, 0] # CLS
|
||||
return out.squeeze()
|
||||
|
||||
# Then train linear classifier on embeddings
|
||||
```
|
||||
|
||||
### Defensive: code anonymizer
|
||||
```python
|
||||
# Normalize to defeat stylometry
|
||||
import black, autopep8
|
||||
def anonymize(src: str) -> str:
|
||||
src = black.format_str(src, mode=black.Mode()) # uniform layout
|
||||
# rename identifiers via AST transform
|
||||
# replace idiosyncratic constructs with canonical form
|
||||
return src
|
||||
```
|
||||
|
||||
## 매 결정 기준
|
||||
| 상황 | Approach |
|
||||
|---|---|
|
||||
| Small corpus (<50 authors) | RF on hand-crafted features |
|
||||
| Large corpus, deep features | CodeBERT/StarCoder embedding + classifier |
|
||||
| Defending privacy | Black/Prettier + identifier normalization |
|
||||
| Adversarial robust attack | Limited — formatting tools 매 defeat 대부분 |
|
||||
| Cross-language | Embedding-based 만 가능 |
|
||||
|
||||
**기본값**: 매 RF + AST n-gram 으로 baseline. Embedding 으로 boost.
|
||||
|
||||
## 🔗 Graph
|
||||
- 부모: [[Authorship Attribution]]
|
||||
- 응용: [[Supply Chain Security]]
|
||||
- Adjacent: [[Code Obfuscation]] · [[AST]]
|
||||
|
||||
## 🤖 LLM 활용
|
||||
**언제**: Forensic context, plagiarism check, OSS contributor analysis.
|
||||
**언제 X**: Identifying anonymous whistleblower — ethical 매 거부.
|
||||
|
||||
## ❌ 안티패턴
|
||||
- **Single-feature reliance**: layout 만 → autoformatter 로 매 trivial defeat.
|
||||
- **Ignoring base rate**: low base rate = high false positive rate (Bonferroni).
|
||||
- **Author-set assumption**: open-world (unknown author) ≠ closed-world.
|
||||
- **Privacy ignored**: deploying on anonymous code 매 ethical review 없이.
|
||||
|
||||
## 🧪 검증 / 중복
|
||||
- Verified (Caliskan USENIX 2015, Abuhamad 2018, CodeBERT papers).
|
||||
- 신뢰도 A.
|
||||
|
||||
## 🕓 Changelog
|
||||
| 날짜 | 변경 |
|
||||
|---|---|
|
||||
| 2026-05-08 | Phase 1 |
|
||||
| 2026-05-10 | Manual cleanup — stylometry features + RF/CodeBERT pipelines |
|
||||
Reference in New Issue
Block a user