La tesi analizza le differenze tra espressioni regolari create da programmatori e quelle generate automaticamente, evidenziando che le prime sono generalmente più lunghe e usano più costanti, mentre le seconde tendono a essere più corte e utilizzano più classi. I dati sono stati ottenuti da 1724 programmatori e uno strumento automatico, rivelando che la macchina generalizza di più nei compiti più complessi. Le conclusioni indicano che è necessario approfondire le caratteristiche che influiscono sulla lunghezza delle espressioni generate.

1. ANALISI DELLE DIFFERENZE STRUTTURALI NELLE ESPRESSIONI REGOLARI
COSTRUITE DA PROGRAMMATORI E DA STRUMENTI AUTOMATICI
Laureando
Marco Potok
Relatore
Prof. Alberto Bartoli
Correlatore
Prof. Eric Medvet
UNIVERSITÀ DEGLI STUDI DI TRIESTE
Dipartimento di ingegneria e architettura
Corso di laurea triennale in Ingegneria dell’Informazione

2. Obbiettivo della tesi
Caratterizzare i punti deboli delle espressioni
regolari costruite automaticamente
• analizzando la loro struttura
• confrontandole con le espressioni costruite da
programmatori.

3. Motivazione
Parte della ricerca condotta dal Machine Learning
Lab dell’Università di Trieste.
La ricerca si occupa della generazione automatica
di espressioni regolari a partire da esempi del
comportamento desiderato.

4. Espressione regolare (I)
• È una stringa (sequenza di caratteri)
• Descrive in maniera compatta un pattern sintattico
• Identifica un insieme di stringhe
• Numeri di telefono in un testo
• Indirizzi IP in un file di log
• …
Spesso chiamata regex dall’inglese regular expression

5. Espressione regolare (II)
È di buona qualità quando:
• È di lunghezza contenuta
• Identifica tutte le stringhe volute

6. Metodo di Analisi (I)
I dati analizzati sono stati ottenuti dallo svolgimento
degli stessi 9 task da parte di 1724 programmatori
e dallo strumento automatico.
Data-set composto da:
• 12000 campioni macchina
• 9842 campioni umani

7. Metodo di Analisi (II)
Parametri analizzati:
• Lunghezza
• Uso dei blocchi base

8. • Ascisse: lunghezza
(scala log.)
• Ordinate: densità
(normalizzata)
Lunghezza (I)
La macchina tende a generare espressioni più corte

9. Lunghezza (II)
Grafici relativi ai 9 task

10. Blocchi base (I)
Differenze più evidenti:
• L’utente macchina usa
più classi
• es. “[A-Z0-9]”
• L’utente programmatore
usa più costanti
• es. “http”
Uomo Macchina

11. Quindi...
Lo strumento automatico
• Tende a generare espressioni più corte
MA
• Usa più classi e meno costanti
• Negli ultimi 4 task tende a generalizzare più
dell'umano costruendo espressioni lunghe

12. Ulteriore analisi (I)
I dati sono divisi in due gruppi
Primo gruppo:
• Comprende i task 1-5
• La macchina genera espressioni corte
Secondo gruppo:
• Comprende i task 6-9
• La macchina genera espressioni lunghe

13. Ulteriore analisi (II)
Nel secondo gruppo:
• Ancora più classi
• Ancora meno costanti
Uomo Macchina Uomo Macchina

14. Ulteriore analisi (III)
Uomo Macchina Uomo Macchina

15. Conclusioni
Lo strumento automatico:
• Tende a generare espressioni regolari più
corte rispetto a quelle costruite dai
programmatori
• Usa più classi e meno costanti per la
costruzione delle espressioni
• Nei task più complicati l’uso delle classi
aumenta causando un aumento della
lunghezza dell’espressione

16. Sviluppi futuri
• Individuazione delle caratteristiche dei
task che causano un aumento della
lunghezza
• Analisi più approfondita dell’eventuale
correlazione tra lunghezza, uso dei
blocchi base e qualità dell’espressione

17. GRAZIE PER L’ATTENZIONE