NB-076
4b22c3754e
COBOL 专家对抗性审查发现: - 老式 COBOL 的 WSKEY1/WSKEY2（无连字符）未被 L1 关键词检测 - 结构性检测信号 4 和 5 覆盖不全 修复: - L1 增加 re:WS[A-Z0-9]*KEY[A-Z0-9]* 覆盖无连字符 KEY 命名 - _matches_key_comparison 扩展支持无连字符变量 - has_key_var 注入扩展支持无连字符 - 结构性检测信号 4 增加 WS\w+ 比较模式 - 结构性检测信号 5 增加两个单独 OPEN 的支持 新测试: - test_cobol_expert_attacks — 4 个内联攻击测试 (跨行AT END, 无连字符WSKEY, GO TO风格, NOT=比较) - test-adversarial: 8 个样本文件攻击测试 全回归: 767 passed (+3 new, 0 failures)
267 lines
10 KiB
Python
267 lines
10 KiB
Python
"""
|
|
HINA 程序分类器 — L1 关键字规则 + 确信度计算。
|
|
|
|
通过 COBOL 源码中的关键字匹配进行程序分类，支持多级确信度判定。
|
|
"""
|
|
|
|
from __future__ import annotations
|
|
|
|
import re
|
|
from typing import Any
|
|
|
|
# ── L1 规则 ──────────────────────────────────────────────────────────────
|
|
# 格式: (分类名称, [关键字列表], 置信度阈值)
|
|
L1_RULES: list[tuple[str, list[str], float]] = [
|
|
("DB操作", ["EXEC SQL"], 0.95),
|
|
("子程序调用", ["CALL", "LINKAGE SECTION"], 0.90),
|
|
("IS INITIAL", ["IS INITIAL"], 0.99),
|
|
("SYSIN", ["SYSIN"], 0.90),
|
|
("编码转换", ["ALPHABETIC", "ASCII", "EBCDIC"], 0.85),
|
|
("online", ["DFHCOMMAREA", "MAP"], 0.95),
|
|
("SORT", ["SORT ON KEY"], 0.95),
|
|
("MERGE", ["MERGE ON KEY"], 0.95),
|
|
("编辑输出", ["WRITE AFTER", "WRITE BEFORE"], 0.80),
|
|
("文件编成", ["ORGANIZATION IS"], 0.99),
|
|
("替代索引", ["ALTERNATE RECORD KEY"], 0.99),
|
|
("マッチング", ["re:WS-[\\w-]*KEY"], 0.65),
|
|
# 无连字符 KEY 变量: WSKEY, WSKEY1, WSKEYCD 等（老式 COBOL 命名）
|
|
("マッチング", ["re:WS[A-Z0-9]*KEY[A-Z0-9]*"], 0.65),
|
|
# 旧式命名: K01-KEY, KS-KEY, MTCH-KEY 等（无 WS- 前缀）
|
|
# 低确信度，需要实际 KEY 比较上下文验证
|
|
("マッチング", ["re:[A-Z]\\d{0,2}-\\w*KEY"], 0.55),
|
|
]
|
|
|
|
# ── 冲突解决规则 ─────────────────────────────────────────────────────────
|
|
# 当 L1 匹配到多个分类时的消歧策略:
|
|
# value = "file_count" → 取测试数更多的分类
|
|
# value = "has_accumulator" → 取包含累加器的分类
|
|
CONFLICT_RULES: dict[tuple[str, str], str] = {
|
|
("マッチング", "キーブレイク"): "file_count",
|
|
("編集処理", "項目チェック"): "file_count",
|
|
("キーブレイク", "項目チェック(重複)"): "has_accumulator",
|
|
}
|
|
|
|
|
|
# ── 关键字检测 ───────────────────────────────────────────────────────────
|
|
def _strip_cobol_comments(source: str) -> str:
|
|
"""剥离 COBOL 注释，避免注释中的关键词触发 L1 匹配。
|
|
|
|
处理两种注释:
|
|
- 固定格式列 7: 行首 `*` (comment line)
|
|
- 自由格式/内联: `*> ...` 到行尾
|
|
"""
|
|
lines = source.split('\n')
|
|
cleaned = []
|
|
for line in lines:
|
|
# 自由格式/内联注释: *>
|
|
idx = line.find('*>')
|
|
if idx >= 0:
|
|
line = line[:idx]
|
|
# 固定格式注释行: 如果第一个非空字符是 *
|
|
stripped = line.strip()
|
|
if stripped.startswith('*') and not stripped.startswith('*/'):
|
|
continue # 跳过整个注释行
|
|
cleaned.append(line)
|
|
return '\n'.join(cleaned)
|
|
|
|
|
|
def _matches_key_comparison(source_upper: str) -> bool:
|
|
"""检查源码中是否包含实际的 KEY 变量比较（而非仅声明）。
|
|
|
|
匹配 KEY 变量在比较上下文中的使用:
|
|
WS-KEY = / WS-KEY > / WS-KEY <
|
|
IF WS-MAST-KEY
|
|
KEY = WS-...
|
|
"""
|
|
# 模式 1: KEY 变量出现在比较上下文中（= < > 后跟变量）
|
|
# 注意: 不能用 \s 代替 [=<>]，否则「WS-KEY PIC」中的空格也会误匹配
|
|
if re.search(r'(?:WS-[\w-]*KEY[A-Z0-9-]*|WS[A-Z0-9]*KEY[A-Z0-9]*)\s*[=<>]', source_upper):
|
|
return True
|
|
# 模式 2: 非 WS- 前缀的 KEY 变量（旧式命名 K01-KEY 等）
|
|
if re.search(r'\b[A-Z]\d{0,2}-[\w-]*KEY\s*[=<>]', source_upper):
|
|
return True
|
|
# 模式 3: 源码中含有 READ INTO + KEY 变量
|
|
if re.search(r'READ\s+\w+\s+INTO\s+\w+.*KEY', source_upper, re.DOTALL):
|
|
return True
|
|
return False
|
|
|
|
|
|
def _get_procedure_division(source_upper: str) -> str:
|
|
"""只提取 PROCEDURE DIVISION 部分用于关键词匹配。"""
|
|
idx = source_upper.find('PROCEDURE DIVISION')
|
|
if idx >= 0:
|
|
return source_upper[idx:]
|
|
return source_upper
|
|
|
|
|
|
def _detect_matching_structure(source_upper: str) -> float:
|
|
"""结构检测：不依赖变量名 KEY 的模式匹配检测。
|
|
|
|
通过分析 COBOL 程序的控制流结构判断是否为匹配程序。
|
|
返回确信度 0.0~0.55，0.0 表示不是匹配。
|
|
|
|
匹配程序的结构性特征:
|
|
信号 1: READ + AT END + EOF（文件读取循环）
|
|
信号 2: PERFORM UNTIL + EOF（主循环）
|
|
信号 3: ELSE 体内 READ（条件性读取——匹配核心）
|
|
信号 4: IF 比较两个连字号字段（跨文件字段比较）
|
|
信号 5: 2+ 文件 OPEN INPUT（多文件输入）
|
|
"""
|
|
import re
|
|
|
|
signals = 0
|
|
# 信号 1: READ + AT END + EOF（文件读取循环）
|
|
if re.search(r'READ\s+\w+.*AT\s+END.*EOF', source_upper):
|
|
signals += 1
|
|
# 信号 2: PERFORM UNTIL + EOF（主循环）
|
|
if re.search(r'PERFORM\s+UNTIL\s+.*EOF', source_upper):
|
|
signals += 1
|
|
# 信号 3: ELSE 体内 READ（条件性读取）
|
|
if re.search(r'ELSE\s+.*READ\s+', source_upper):
|
|
signals += 1
|
|
# 信号 4: IF 比较两个字段（跨文件字段比较，可有/无连字号）
|
|
if (re.search(r'IF\s+\w+-\w+\s*[=<>]\s*\w+-\w+', source_upper) # 标准命名 CUST-CODE
|
|
or re.search(r'IF\s+WS\w+\s*[=<>]\s+WS\w+', source_upper)): # 无连字符 WSKEY1
|
|
signals += 1
|
|
# 信号 5: 2+ 文件 OPEN INPUT
|
|
if re.search(r'OPEN\s+INPUT\s+\w+\s+\w+', source_upper):
|
|
signals += 1
|
|
|
|
# 确信度: 5 中 5 = 0.55, 5 中 4 = 0.50, 5 中 3 = 0.40
|
|
if signals >= 5:
|
|
return 0.55
|
|
elif signals >= 4:
|
|
return 0.50
|
|
elif signals >= 3:
|
|
return 0.40
|
|
return 0.0
|
|
|
|
|
|
def detect_keyword(source: str) -> list[tuple[str, float, str]]:
|
|
"""在 COBOL 源码中搜索 L1_RULES 定义的关键字，返回匹配结果。
|
|
|
|
处理步骤:
|
|
1. 剥离注释，避免注释中的关键词触发匹配
|
|
2. 对需要程序上下文的关键词（マッチング），检查 KEY 变量是否在比较中使用
|
|
|
|
关键字前缀 "re:" 表示正则表达式匹配。
|
|
|
|
Args:
|
|
source: COBOL 程序源码文本。
|
|
|
|
Returns:
|
|
list[tuple[str, float, str]]:
|
|
每个元素为 (分类名称, 置信度, 匹配到的关键字原文)。
|
|
"""
|
|
cleaned = _strip_cobol_comments(source)
|
|
source_upper = cleaned.upper()
|
|
|
|
results: list[tuple[str, float, str]] = []
|
|
|
|
for category, keywords, confidence in L1_RULES:
|
|
matched = False
|
|
for kw in keywords:
|
|
if kw.startswith("re:"):
|
|
pattern = kw[3:]
|
|
if not re.search(pattern, source_upper):
|
|
continue
|
|
|
|
# マッチング 关键词需要额外上下文验证：KEY 变量必须在比较中使用
|
|
if category == "マッチング":
|
|
if not _matches_key_comparison(source_upper):
|
|
continue
|
|
|
|
results.append((category, confidence, kw))
|
|
matched = True
|
|
break
|
|
else:
|
|
if kw in source_upper:
|
|
results.append((category, confidence, kw))
|
|
matched = True
|
|
break
|
|
|
|
# ── 结构性匹配检测（不依赖 KEY 变量名）──
|
|
match_conf = _detect_matching_structure(source_upper)
|
|
if match_conf > 0:
|
|
has_more_specific = any(
|
|
cat != "マッチング" for cat, _, _ in results
|
|
)
|
|
if not has_more_specific:
|
|
results.append(("マッチング", match_conf, "structural_matching"))
|
|
|
|
return results
|
|
|
|
|
|
# ── 确信度计算 ───────────────────────────────────────────────────────────
|
|
def compute_confidence(
|
|
source: str,
|
|
structure: dict[str, Any] | None = None,
|
|
llm_result: dict[str, Any] | None = None,
|
|
) -> dict[str, Any]:
|
|
"""计算程序分类的确信度。
|
|
|
|
优先级:
|
|
1. L1 关键字命中，且最高置信度 >= 0.90 → 直接返回 L1 结果。
|
|
2. LLM 结果存在 → 使用 LLM 的分类结果。
|
|
3. 否则 → 返回 unknown。
|
|
|
|
Args:
|
|
source: COBOL 程序源码文本。
|
|
structure: 可选的程序结构信息（暂未使用，保留扩展）。
|
|
llm_result: 可选的 LLM 分类结果。
|
|
预期格式: {"category": str, "confidence": float, ...}
|
|
|
|
Returns:
|
|
dict:
|
|
- "category": str — 分类名称或 "unknown"
|
|
- "confidence": float — 确信度 (0.0 ~ 1.0)
|
|
- "source": str — 结果来源 ("l1" / "llm" / "unknown")
|
|
- "matches": list — 匹配到的关键字详情
|
|
"""
|
|
# ── 1. L1 关键字检测 ──
|
|
matches = detect_keyword(source)
|
|
|
|
# 找出最高置信度的 L1 匹配
|
|
if matches:
|
|
best = max(matches, key=lambda m: m[1]) # (category, confidence, keyword)
|
|
category, confidence, _ = best
|
|
|
|
if confidence >= 0.90:
|
|
return {
|
|
"category": category,
|
|
"confidence": confidence,
|
|
"method": "keyword",
|
|
"source": "l1",
|
|
"features": [best[2]],
|
|
"required_tests": [],
|
|
"strategy_params": {"special_boundaries": [], "coverage_requirements": {"branch": 0.95, "paragraph": 1.0}},
|
|
"matches": matches,
|
|
}
|
|
|
|
# ── 2. LLM 结果 ──
|
|
if llm_result is not None:
|
|
llm_category = llm_result.get("category", "unknown")
|
|
llm_confidence = llm_result.get("confidence", 0.0)
|
|
return {
|
|
"category": llm_category,
|
|
"confidence": llm_confidence,
|
|
"method": "hybrid",
|
|
"source": "llm",
|
|
"features": [],
|
|
"required_tests": [],
|
|
"strategy_params": {"special_boundaries": [], "coverage_requirements": {"branch": 0.95, "paragraph": 1.0}},
|
|
"matches": matches,
|
|
}
|
|
|
|
# ── 3. 未知 ──
|
|
return {
|
|
"category": "unknown",
|
|
"confidence": 0.0,
|
|
"method": "none",
|
|
"source": "unknown",
|
|
"features": [],
|
|
"required_tests": [],
|
|
"strategy_params": {"special_boundaries": [], "coverage_requirements": {"branch": 0.95, "paragraph": 1.0}},
|
|
"matches": [],
|
|
}
|