Code Mining

Ваш код как место преступления Ранее мы писали про супер-крутой CodeScene и его основателя, Адама Торнхила, который и "ещё книжки интересные пишет". Так вот, увидели, что сегодня онли одну из его клёвых книг "Your Code as a Crime Scene", можно закупить на скидке за $5. Из книги вы узнаете про всё то множество методов для выявления дефектов, узких мест и плохого дизайна в вашем коде. Читать содержание и закупаться годным здесь: https://pragprog.com/titles/atcrime/your-code-as-a-crime-scene/ (промокод FLASHSALECS). ЗЫ. Не реклама, а полезные материалы. Это вам не Лутца за 2 килорубля за том покупать ;).

AIModel-Mutator: Finding Vulnerabilities in TensorFlow В рубрике #видоснавечер, хотим познакомить вас с очередным актуальным вопросом безопасности моделей машинного обучения, и информацией о том как ошибки фреймворков (например Tensorflow) могут на это повлиять. К слову с 2019 по 2021 год, количество CVE уязвимостей в TF увеличилось в 15 раз. Qian Feng, старший исследователь по безопасности из Baidu Security рассказывает о важной работе, которую они провели с коллегами. Подмутировать модель довольно легко, а как мы знаем, распространяются они довольно свободно и без каких-либо дополнительных проверок, короче deep dive в видео: https://www.youtube.com/watch?v=7QqbJRZ6CxU

DeepMind выпустил AlphaCode, который прогает лучше половины твоих знакомых. Во многом похож на Codex, но есть отличия. Основной подход: 1. Encoder-decoder, 41B параметров 1. Декодер обучается предсказывать следующее слово, а энкодер делает MLM. Всё end2end. 1. Заскрапили датасет задачек с Codeforces и зафайнтюнили на нём модель 1. Во время тестирования семплили очень большое количество решений (до миллиона) и потом выбирали из них с помощью кластеризации, эвристик и, самое главное, проходят ли они открытые тесты которые приложены к задачке. Сабмитили на финальную проверку только топ-10. По результатам: AlphaCode решает задачки лучше, чем 54% пользовалетей Codeforces (не очень альфа пока что, но стремится туда). Небольшие технические отличия от Codex: 1. Максимальная длина для энкодера 1536, для декодера 768 1. Использовали Multi-query attention, модификацию attention, которая использует одни и те же K и V для разныех голов – позволило улучшить потребление памяти и скорость декодирования 1. Очень маленький словарь токенизатора, 8К. 1. Во время файтнюнинга использовали температуру 0.2, которая делает распределение более острым. При тесте температура не использовалась, назвали это tempering. 1. Файнтюнились и на правильных и на неправильных решениях, при этом моделе заранее сообщается сигнал корректное ли это решения. 1. Для файнтюнинга использовали лосс, который называется GOLD. По сути это взвешенная кросс-энтропия, несмотря на то, что выглядит как RL. Вот тут можно посмотреть на визуализацию attention, а ещё есть популярно написанный блогпост

Сопливый Чейн Многие слышали, что цепочку поставки (Supply Chain) можно компрометировать и тем самым наделать неприятностей и что важно выстраивать процессы безопасной разработки в своих CI/CD-пайплайнах. В #видоснавечер предлагаем посмотреть свежайшее видео с Black Hat: "Picking Lockfiles: Attacking & Defending Your Supply Chain" от Greg Johnson и Dennis Appelt. Тут и классификация проблем и как решать. Пумц: https://www.youtube.com/watch?v=UkWJeqb8BZk Проблемы целостности и чистоты пакетов, которые залетают в продуктив, всё чаще и чаще всплывают. Яркий тому пример, кейс с SolarWinds. Будьте предупредительны.

Module Counts Оценить прирост новых пакетов в индексах вам поможет сервис modulecounts. Например, хорошо видно замедление экосистемы RubyGems, и неплохой такой прирост Rust-пакетов. Ну и Python обогнал PHP под конец 2021 года. По понятным причинам, npm на скрин добавлен не был ;). Есть стата по времени для двух десятков пакетных индексов. Да, конечно здесь нет сотен Java-индексов, тоже интересно было бы поиграться широкой публике. Вобщем потыкать и сделать собственные выводы можно по ссылке: http://www.modulecounts.com/.

Malware Provenance: Code Reuse Detection in Malicious Software at Scale Анализ переиспользования кода в программном обеспечении в применении к анализу семейств вредоносного ПО и дополнительных возможностях построения сигнатур их обнаружения на базе Locality Sensitive Hashing (LSH). Статья 2016 года, но совершенно не потеряла актуальности для полезного применения подходов определения нечетких заимствований (дубликатов). Почитать на остатках выходных можно здесь: https://ieeexplore.ieee.org/document/7888735

CFP: Software Engineering and Information Management 23 апреля пройдет крутая конференция по программной инженерии и организации информации SEIM. https://seim-conf.org/en/ Направлений предостаточно, вот некоторые, которые интересно подсветить в контексте CodeMining-сообщества: - Coding theory - Compilers - Empirical software engineering - Information security - Programming languages - Software analysis - Software testing - Software verification - Theoretical computer science - Visual languages Подача статей до 9 февраля, ещё можно успеть! CFP тут.

CodeScene Наткнулись тут на статейку How do you visualize code? и вспомнили, что хотели рассказать про отличнейший инструмент для изучения исходников — CodeScene. Функциональность CodeScene позволяет высвечивать скрытые критические места в кодовой базе как с точки зрения качества, так и участников разработки. Работа с техническим долгом, качеством, управление quality gates и много-много всего интересного. Куча интеграций, 25+ поддерживаемых языков, api, etc. Инструмент коммерческий, бесплатен для open source. Есть cloud & on-premise версии. А ещё, Адам Торнхилл, основатель системы, ещё и книжки интересные пишет, например: Your Code as a Crime Scene.

CodeCaptcha Надоело выбирать светофоры и велосипеды на гугло-капче? Появился сервис CodeCaptcha, где подкидываются короткие задачки на JavaScript для того, чтобы пройти дальше по ссылке. Конечно интересно узнать, как формируются задачи. Варианты решений могут быть неплохим подспорьем для обучения моделек для автокомплитов, код-ревью и т. п. Но пока задачи ооооочень простые. Пример ссылки: https://codecaptcha.io/a/ObZpSpktgAi6kzIbtsr0 Ну и да, было бы круто, если бы языков было больше. А пока что есть, то есть.

Download trends for PyPI Для вызнавания трендов популярности проектов в python-сообществе прибегают к изучению данных о скачивании (внезапно ;). К сожалению, PyPI отдает статистику только в моменте, да и не то :/. Тем не менее, есть ряд сервисов, которыми можно воспользоваться и поиграться: - https://pypistats.org/ - https://pepy.tech/ Поработать с данными напрямую можно через Google BigQuery, в котором можно поковыряться и поиграть с данными: тут и версии питона, откуда скачивали и т.п. @codemining

Продолжая рубрику #языкибываютразные, напишем про ещё один внезапный язык, Rockstar. Язык с динамической типизацией, в котором исходный код представляется в виде текстов похожих на песни. Вдохновлен рок-хэви-хэйр-металлическими балладами 80-90-х годов 🎸🎸🎸. Сайт | Спека Есть множество реализаций, в т. ч. на Python, JS, Java, OCaml, etc. Пример кода приближенного вычисления числа π: My life was a mushroom cloud, then it was nothing Sin is unquenchable My cell was empty Your love was a jackhammer shaking the bars Your life is a fungus Your love is mycorrhizal My life was empty without your love Until your life is my life, build my life up Put your love into Me Put my life into the song, until your love is stronger than the song Put the song of Me into Me Knock the song down Put your love into You … Продолжение тут, больше примеров здесь. Надеемся, что вам весело ;).

code2vec: Learning Distributed Representations of Code Мы уже ранее рассказывали про построение эмбеддингов по коду в нашем обзорном докладе на DataFest Siberia v2, но есть смысл выделить отдельным постом. Послушать по-русски: https://www.youtube.com/watch?v=qm2hB5Bi49A&t=507s Поиграться можно здесь: https://code2vec.org/ Сорцы | Статья

Using public datasets in commercial software Great paper: Can I use this publicly available dataset to build commercial AI software? Most likely not. An extremely important question for the Data Science community: it turns out (wat?) that not all publicly available datasets can be used to build commercial solutions 💣💣💣. Authors examine license agreements of 6 popular datasets used in Computer Vision (CIFAR-10, ImageNet, Cityscapes, FFHQ, VGGFaces2 and MS COCO) and conclude that the models trained on these data can not be commercialized at least. An example of the results of the CIFAR-10 dataset's license analysis is shown in the screenshot. It was logical to assume this, but for many community members this may be the opening of the century. Prepared by @codemining for ods.ai. Subscribe!

Использование публичных наборов данных в коммерческом ПО Коллеги из ODS поделились прекрасной статьёй: Can I use this publicly available dataset to build commercial AI software? Most likely not. Поднят крайне важный вопрос для DataScience сообщества. Поясняем, оказывается (wat?), далеко не все публично доступные наборы данных можно использовать для построения коммерческих решений. Авторы рассматривают лицензионные соглашения 6 популярных датасетов использующихся в Computer Vision (CIFAR-10, ImageNet, Cityscapes, FFHQ, VGGFaces2 и MS COCO) и делают "прекрасное" заключение, что натренированные на этих данных модели, как минимум, не могут коммерциализироваться. Пример результатов анализа лицензии датасета CIFAR-10 приведен на скрине. Логично было предположить подобное, но для многих это может быть прямо открытием века 💣. Посмотрим, чем ответит сообщество ;). ЗЫ: а мы в свою очередь поняли, чем ещё дополнить курс по Open Source лицензированию.

PyNose: a Test Smell Detector for Python А ещё в прошлом году у JetBrains Research вышла определялка говнокода в python-тестах. Работает для Unittest & Pytest. Версия 1.0.0 вышла в декабре'21. Виды test smell, которые выделяют авторы: - Assertion Roulette - Conditional Test Logic - Constructor Initialization - Default Test - Duplicate Assert - Empty Test - Exception Handling - Lack of Cohesion of Test Cases - Magic Number Test - Obscure In-Line Setup - Redundant Assertion - Redundant Print - Sleepy Test - Suboptimal Assert - Test Maverick Использовать можно в виде плагина к Pycharm. Код: https://github.com/jetbrains-research/pynose Подробности в статье: https://arxiv.org/abs/2108.04639. Единственное, она описывает предыдущую версию, которая в ветке ASE2021. Upd. Уточняем как использовать: 1. берете сборку плагина отсюда (.zip) 2. ставите по инструкции 3. берете тесты, можно вот эти или свои какие-нибудь ;) 4. ... 5. profit, в IDE появляются подсказки, как показано на гифках

Hashing It Out: A Survey of Programmers' Cannabis Usage, Perception, and Motivation В конце прошлого года вышла довольно любопытная статья об исследовании изменения сознания у разработчиков под воздействием Каннабиса от Университета Мичигана. В исследовании поучаствовало 803 разработчика (из них 450 программиста с полной занятостью). Довольно интересно почитать про мотивацию, ожидания и реальные результаты исследуемых. Почитать есть что, но самое интересное и ожидаемое на картинках выше. Работа проведена в целях поддержания политики борьбы с наркотиками на рабочих местах программистов. Статья: https://arxiv.org/abs/2112.09365

С новым годом! 🌲🌲🌲 Мы "немного" поспали и продолжаем. Всем здоровья и всего такого! Что-то в ушедшем году не успели довести и опубликовать, поэтому в ближайшую неделю-две будем закрывать гештальты :). ЗЫ: прикрутили реакшены 😘.

Почему знать про лицензионную чистоту важно? Многие слышали про более чем десятилетний спор за нарушение авторских прав на части кода Java между Oracle & Google. Всё разрешилось в сторону последних 👩‍⚖️. Сейчас на наших глазах, по ходу, возникает очередной резонансный кейс за решением которого интересно будет пронаблюдать. Сообществом весьма себе предполагается, что свежезарелиженая платформа TikTok Live Studio основана на OBS (лицензия GPL v2.0), что, как мы знаем из курса лицензирования, накладывает определенные условия, как минимум вскрытие пациента под той же лицензией и упоминание копирайта и лицензии :). Почитать материалы с комментариями IANAL (I'am not a lawyer) специалистов можно на Hacker News. Мы у себя в Лаборатории обязательно глянем кейс и расскажем об этом через некоторое время. Ну а для проактивных читателей это может быть хорошим Домашним заданием (или тестовым ;).

Data Elka 2021 🥇 Сап, как говорится в одном небезызвестном сообществе ;). Мы рады пригласить подписчиков на ежегодное замечательное событие Data Elka, в рамках которого подводятся итоги уходящего года и вручаются памятные подарки за все хорошее лучшим участникам OpenDataScience-сообщества 🤓. В связи с этим, как организаторы CodeMining-трека, обращаемся к сообществу за помощью с выбором лучших докладов 2021 года. Свои видео мы их публиковали в рубрике #видоснавыходные в перемешку с другими не менее интересными видосами. Все CodeMining-видео последнего года можно посмотреть на страничке посвященной прошедшему DataFest'у: https://ods.ai/tracks/code-mining-df2021 Если вам что-то понравилось, то велкам поддержать наше скромное ML4Code-направление. Видео номинированы в разделе Industry domains, голосовать можно тут (рега обязательна). Результаты будут озвучены вживую на трансляции в субботу. Во славу Дата Ёлке! 🎄🎄🎄