梦晨 发自 凹非寺
量子位 报道 | 公众号 QbitAI
有的人能把代码写成推理小说。
需要一个临时变量的时候就叫temp，需要多个就叫var1，var2。
甚至用拼音缩写当函数名，比如查询订单就叫cxdd。
要想看懂这样的代码，得联系上下文反复推敲，还原每个部分的真实作用。
这个过程叫做反混淆(Deobfuscation)。
麻烦，着实麻烦。就没有省事儿点的办法吗？
让AI来啊！
最近，Facebook就出了这样一个语言模型DOBF，专治代码混淆。
DOBF模型目前除了Python还支持C++和Java。
在这之前也有掩码语言模型(Masked Language Model)用于恢复被遮蔽的文本。
用于恢复代码的有哈工大&微软开发的CodeBERT和Facebook之前开发的TransCoder，但效果都不如最新的DOBF。
DOBF超过它们靠的不是模型架构上的创新或数据集的完善，而是提出了新的预训练任务。
合理的任务指导AI学习
之前的掩码语言模型多是随机选择要掩蔽的部分，经常会选到括号逗号这种对AI来说没什么难度的。
DOBF的做法是指定遮蔽变量名、函数名和类名并让AI去恢复，这个任务难度更大，能迫使AI学到更深层的规律。
这不是先进先出嘛，AI就会命名成queue(队列)而不是stack(堆栈)了。
成功的关键之处就在于合理的训练任务。
微调一下能完成更多任务
验证了这个方法有效后，Facebook把这个训练任务提取出来称为DOBF任务，还可以用于训练其他语言模型。
比如在TransCoder模型上把DOBF作为预训练任务，再用CodeXGLUE基准测试中的下游任务进行微调。
不过代码上的事还不算完，人类在混淆代码上可是无所不用其极的。
https://github.com/facebookresearch/CodeGen/blob/master/docs/dobf.md
论文地址：
https://arxiv.org/abs/2102.07492
国际C语言混乱代码大赛：
http://www.ioccc.org/
— 完 —
本文系网易新闻•网易号特色内容激励计划签约账号【量子位】原创内容，未经账号授权，禁止随意转载。
原标题：《AI根据代码内容自动起函数名，再也不怕命名不规范的同事了｜开源》