作业二：个人项目

作业二：个人项目
GitHub

这个作业属于哪个课程	https://edu.cnblogs.com/campus/gdgy/SoftwareEngineeringClassof2023
这个作业要求在哪里	https://edu.cnblogs.com/campus/gdgy/SoftwareEngineeringClassof2023/homework/13324
这个作业的目标	个人尝试通过系统化的流程开发程序，学会应用性能测试工具和单元测试以优化程序

环境说明

• 语言：C++
• IDE工具：VS2022

PSP表格

PSP2.1	Personal Software Process Stages	预估耗时（分钟）	实际耗时（分钟）
· Planning	计划	20	20
· Estimate	· 估计这个任务需要多少时间	60	60
·Development	开发	120	180
· Analysis	· 需求分析 (包括学习新技术)	180	120
· Design Spec	· 生成设计文档	5	5
· Design Review	· 设计复审	5	5
· Coding Standard	· 代码规范 (为目前的开发制定合适的规范)	5	5
· Design	· 具体设计	300	300
· Coding	· 具体编码	300	240
· Code Review	· 代码复审	10	5
· Test	· 测试（自我测试，修改代码，提交修改）	30	5
·Reporting	报告	30	30
· Test Repor	· 测试报告	30	10
· Size Measurement	· 计算工作量	5	5
· Postmortem & Process Improvement Plan	· 事后总结, 并提出过程改进计划	5	5
	· 合计	1105	995

Code Quality Analysis消除所有警告

程序文件目录结构
plagiarism-checker/
├── include/ # 头文件目录
│ ├── file_reader.h # 文件读取模块声明（read_bytes）
│ ├── utf8_decoder.h # UTF-8解码模块声明（utf8_to_codepoints）
│ └── lcs_calculator.h # LCS算法模块声明（lcs函数）
│
├── src/ # 源代码目录
│ ├── file_reader.cpp # 文件读取实现
│ ├── utf8_decoder.cpp # UTF-8解码实现
│ ├── lcs_calculator.cpp # LCS算法实现
│ └── main.cpp # 主程序入口
│
├── test/ # 测试目录（可选）
│ ├── test_data/ # 测试用例文件
│ └── test_runner.cpp # 单元测试代码
│
├── build/ # 编译输出目录（自动生成）
│
├── Makefile # 编译脚本（或 CMakeLists.txt）
│
├── original.txt # 输入示例文件
├── plagiarized.txt
└── output.txt # 程序输出结果

程序算法流程图

算法核心
该程序的核心算法基于动态规划求解最长公共子序列，用于量化两个文本之间的相似性。其本质是通过状态转移策略，逐步构建两个序列的公共子序列长度，最终通过优化空间复杂度实现高效计算。

函数模块的设计与实现

• 文件读取函数：read_bytes
  输入：文件路径字符串（如"original.txt"）。
  输出：文件的原始字节流（vector）。
  功能：以二进制模式读取文件内容，处理文件打开、大小预判和错误终止。
  代码位置：独立函数，无依赖其他模块。

• UTF-8解码函数：utf8_to_codepoints
  输入：原始字节流（vector）。
  输出：Unicode码点序列（vector<uint32_t>）。
  功能：解析UTF-8字节流为码点，跳过无效字节，支持1-4字节字符。
  代码位置：独立函数，依赖read_bytes的输出作为输入。

• LCS计算函数：
  输入：两个码点序列（vector<uint32_t>）。
  输出：最长公共子序列的长度（int）。
  功能：动态规划计算LCS，优化空间至一维数组。
  代码位置：独立函数，依赖两个解码后的码点序列。

程序运行结果

性能分析

算法的不足

• 1. 效率不足

问题：动态规划计算LCS的时间复杂度为O(mn)，处理大文件（如数万字符）时性能急剧下降。

改进方法：
启发式剪枝：设定阈值，当剩余字符数无法超过当前最大LCS时提前终止。
分块处理：将文本分块计算局部LCS，再合并结果（牺牲部分精度换取速度）。
近似算法：使用Hirschberg算法优化空间至O(n)的同时保持时间复杂度，或引入哈希+滑动窗口（如Rabin-Karp）快速匹配子序列。

• 2. 准确性局限

问题：LCS仅关注顺序匹配，忽略文本结构、语义和重复片段分布。

示例：原文“ABCD”与抄袭文“AXYZBCD”的LCS为3（“ABC”或“BCD”），但实际抄袭部分可能被干扰内容稀释。

改进方法：
多维度相似度：结合编辑距离、Jaccard系数（基于词集）或余弦相似度（基于TF-IDF向量）。
滑动窗口匹配：检测局部连续匹配（如最长公共子串），更关注密集抄袭。
语义分析：使用词嵌入（Word2Vec、BERT）计算语义相似度，识别改写内容。

• 3. 编码处理缺陷

问题：UTF-8解码忽略非法字节序列（如截断的多字节字符），可能导致码点错误。

改进方法：
严格模式：检测无效UTF-8字节并抛出错误，避免错误解码。
容错模式：用占位符（如U+FFFD）替换非法字节，继续处理剩余内容。

• 4. 重复率基准单一

问题：仅以原始文件长度为基准，若抄袭文件更长可能低估重复率。
示例：原文长度100，抄袭文长度200，LCS=50，当前计算为50%，但抄袭文实际重复率为25%。

改进方法：
动态基准：取max(len(s1), len(s2))或(len(s1)+len(s2))/2作为分母。
多指标输出：同时提供基于原文、抄袭文及综合基准的重复率。

• 5. 容错性不足

问题：文件读取失败时直接终止程序，缺乏重试或友好提示。

改进方法：
交互式处理：提示用户重新输入文件路径或跳过错误文件。
详细日志：记录错误类型（如权限不足、文件不存在）及发生位置。

• 6. 扩展性限制

问题：仅支持UTF-8编码，无法处理GBK、BIG5等常见编码。

改进方法：
编码探测库：集成libuchardet等自动检测文件编码。
模块化解码器：抽象解码接口，支持插件式扩展新编码格式。

模块单元测试

模块覆盖率表格

模块名称	函数名称	行覆盖率	分支覆盖率	函数覆盖率
文件读取模块	read_bytes	95.6%	85%	100%
UTF-8解码模块	utf8_to_codepoints	100%	90%	100%
LCS计算模块	lcs	100%	95%	100%

异常处理

• 1. 异常类型：空输入序列
     设计目标
     确保函数正确处理空输入，避免访问无效内存或逻辑错误。
     单元测试样例
     测试空序列与空/非空序列的组合：
     
• 2. 异常类型：超大输入序列（内存溢出）
     设计目标
     验证算法在极端大输入下的内存管理能力，避免因滚动数组分配失败导致崩溃。
     单元测试样例
     构造两个超长但合法的序列：
     
• 3. 异常类型：参数顺序交换逻辑错误
     设计目标
     确保当 s1.size() < s2.size() 时，函数内部正确交换参数，避免逻辑错误。
     单元测试样例
     测试 s1 比 s2 短但非空的场景：
     
• 4. 异常类型：整数溢出风险
     设计目标
     防止序列长度或LCS长度超过int范围导致溢出（需依赖输入约束）。
     单元测试样例
     假设系统支持int为32位，构造边界值测试：