Определение авторства разработчиков на основании стиля написания кода

Определение авторства программного кода является актуальной задачей для решения вопросов интеллектуальной собственности, поиска плагиата, поиска авторов вредоносного программного обеспечения. Для разных языков программирования различные решения показывают лучшие результаты. Часть работ использует факторы, специфичные для конкретного языка, усложняя перенос результатов между ними. Также на данный момент не проводилось тестирование решений в условиях большого количества данных (тысячи примеров для каждого разработчика), которые могут возникать в практических задачах. Это вызвано отсутствием соответствующих наборов данных. В данной работе предлагается инструмент для сбора данных из проектов с произвольным числом авторов. Он работает с историей проекта, что позволяет получить большее количество данных по сравнению с имеющимися датасетами. С его помощью были собраны 7 датасетов из проекта IntelliJ IDEA, позволяющие тестировать модели для определения авторства в различных условиях. Также в работе представлены две модели для определения авторства, работающие в условиях разного количества доступных данных. Обе модели не используют свойств, специфичных для конкретного языка, что обеспечивает их переносимость на произвольный язык программирования. По сравнению с предыдущими работами в области, одна из предложенных моделей достигает лучших результатов для определения авторства по коду на Java и Python и повторяет результат для C++.