Algoritmos e Estruturas de Dados 2005/06 Instituto Superior Técnico. Enunciado do 2 o Projecto

Transcrição

1 Algoritmos e Estruturas de Dados 2005/06 Instituto Superior Técnico Enunciado do 2 o Projecto Data de Entrega 9 de Maio de Introdução Todos os dias recebemos mensagens de correio electrónico ( ). Algumas delas queremos ler, outras não são interessantes e outras ainda são aquilo a que poderemos classificar como spam: mensagens que nunca pedimos para receber a publicitar serviços ou produtos que não queremos. O 2º projecto de AED tem como objectivo a realização de um programa na linguagem de programação C que deverá permitir filtrar as mensagens de correio electrónico classificadas como spam. 2 Especificação do Problema Uma mensagem de correio electrónico ( ) é constituída por vários cabeçalhos (por exemplo, To e From) e pelo corpo da mensagem. O conteúdo da mensagem encontra-se descrito na parte do corpo da mensagem de correio electrónico. O filtro de spam a concretizar recebe como informação um conjunto de palavras P, um número k e um número indeterminado de mensagens de correio electrónico. O filtro deverá classificar cada mensagem de correio electrónico processada como spam ou não. Uma mensagem de correio electrónico é considerada como spam se o seu corpo contiver pelo menos k palavras que pertencem ao conjunto de palavras P. No contexto deste trabalho, as palavras no corpo da mensagem estão separadas pelo caracter espaço em branco ou pelos caracteres de pontuação. Todos os caracteres que não representem letras, números ou o caracter espaço em branco são considerados como caracteres de pontuação. O programa a concretizar recebe como argumentos da linha de comandos o nome do ficheiro que contém as palavras (designadas como lista de spam) a procurar nas mensagens de correio e o número mínimo de palavras da lista de spam que 1

2 o corpo do deve conter para ser considerado spam. O programa lê as mensagens de correio a processar via stdin e para cada mensagem processada escreve no fluxo de dados de saída stdout o número 0 se a mensagem for considerada spam ou o número 1 caso contrário. A verificação se uma palavra do corpo de um está ou não na lista de spam deve ser feita ignorando diferenças entre maiúsculas e minúsculas. 2.1 Funcionalidade Adicional Pode haver diferentes formas de classificar um como spam. Uma classificação alternativa é dizer que um é spam se houver k palavras da lista de spam que estão presentes no corpo do . Nesta classificação alternativa, as palavras da lista de spam que apareçam várias vezes no corpo do apenas contam uma vez, ao contrário da outra classficação descrita anteriormente. O seu programa deve também poder utilizar esta classificação de spam alternativa Este modo de funcionamento só é aplicável se o utilizador invocar o programa com o parâmetro da linha de comandos -u. Se este parâmetro não estiver presente, o programa funciona como descrito na Secção Definição de ADT s Na concretização deste projecto devem ser definidos e concretizados alguns ADT s. Cada funcionalidade do projecto, como por exemplo, filtrar um ou ler um , deve ser abstraída por um ADT distinto. Desta forma será possível alterar a concretização de qualquer uma destas funcionalidades com um impacto mínimo (idealmente nenhum) no restante código do projecto. 3 Dados de Entrada 3.1 Descrição das mensagem de correio electrónico A primeira linha de cada começa com a palavra From seguida do caracter espaço em branco. Na mesma linha deverá estar ainda o endereço de da pessoa que enviou este . Nas linhas seguintes vem um conjunto de cabeçalhos, como por exemplo Subject, Received ou To, em que cada cabeçalho pode ter mais do que uma linha de texto. O início do corpo de um é indicado por uma linha vazia (uma linha vazia apenas contém o caracter \n ). O fim de um é indicado ou pelo fim do fluxo de dados de entrada ou então por uma linha vazia seguido de uma linha que começa por From. As linhas do s estão limitadas em dimensão, nunca ultrapassando 1024 caracteres. 2

3 4 Dados de Saída Para cada processado, o programa deve escrever uma linha com o número 0, caso o processado tenha sido classificado como spam, ou com o número 1 caso contrário. 5 Compilação do programa Deve concretizar o ficheiro Makefile onde definirá o processo de geração do executável correspondente ao programa realizado. O compilador a utilizar é o gcc com as seguintes opções de compilação: -ansi -Wall -pedantic. Este processo deve ser definido na regra all do ficheiro Makefile. O executável gerado deve ter o nome proj2. Assim, para compilar o seu programa deve dar o seguinte comando: prompt> make all o qual deve ter como resultado a geração do ficheiro executável proj2 caso não haja erros de compilação. 6 Exemplo de Execução 6.1 Execução do Programa O programa pode ser executado da seguinte forma prompt> proj2 spam.txt 3 ou prompt> proj2 -u spam.txt 3 em que spam.txt é o nome de um ficheiro com as palavras da lista de spam, 3 é o número mínimo de palavras da lista de spam que um deve conter para ser considerado como spam. A segunda forma de executar o projecto corresponde à utilização da classificação alternativa de spam. De seguida descreve-se um exemplo de execução do projecto (proj2 spam.txt 3), especificando os dados de entrada e o resultado produzido. Esta execução é realizada com a primeira classificação de spam descrita na Secção Lista de Spam: Ficheiro spam.txt dinheiro 3

4 XP windows price meds check campaign affordable baack quality guaranteesss 6.3 Dados de Entrada From Wed Apr 24 10:17: Return-Path: Sender: Message-ID: Date: Wed, 24 Apr :13: From: EEE Organization: IST X-Mailer: Mozilla 4.78 [en] (X11; U; Linux i686) X-Accept-Language: en MIME-Version: 1.0 To: JJ Subject: Handbook of Algorithms and Data Structures Content-Type: text/plain; charset=iso Content-Transfer-Encoding: 8bit Status: RO X-Status: X-Keywords: X-UID: 798 Este e o livro de algoritmos de que te falei. EEE From eee@somewhere.com Wed Apr 24 10:17: Date: Fri, 20 Jan :36: From: "Clare Sorensen" <FILHWCAWMRZF@msn.com> To: jmt@ist.utl.pt Subject: Look...Here mfwl Message-ID: <3A017EE C2D5@localhost> MIME-Version: 1.0 Content-type: text/plain; charset=us-ascii Priority: normal 4

5 X-mailer: Pegasus Mail for Win32 (v3.12c) Loking for quality meds at affordable price? We have widest range of meds at very competitive price. Money baack guaranteesss... pju 6.4 Resultados Entrega do Projecto A entrega do projecto deverá respeitar o procedimento seguinte: Na página da disciplina deverá aceder à página para entrega de projectos. Deverá efectuar o upload de um ficheiro arquivo com extensão.tgz, o qual deverá incluir o seguinte: Os ficheiros fonte (*.c) e cabeçalho (*.h) que constituem o programa a submeter. Não devem ser incluidos os ficheiros cabeçalho da biblioteca C. Makefile que permita criar o executável proj2 como resultado de executar o comando make all. O compilador utilizado é o compilador gcc da GNU. É obrigatório a utilização das seguintes opções de compilação, -ansi, -Wall e -pedantic, por forma a requerer que o programa respeite a norma ANSI C. Programas que não respeitem esta norma terão uma penalização na nota final. Como resultado do processo de upload será informado se a resolução entregue apresenta a resposta esperada num conjunto de casos de teste. Prazo de entrega do projecto: 23:59 do dia 9 de Maio de Para criar um ficheiro arquivo com a extensão.tgz deve dar o seguinte comando na directoria onde se encontram os ficheiros com extensão.c e.h e a Makefile criados durante o desenvolvimento do projecto: prompt> tar cfzv proj2.tgz Makefile *.c *.h 5

6 ou caso esteja a utilizar o computador mega, em vez do comando tar deverá utilizar o comando gtar. 8 Avaliação do Projecto 8.1 Componentes da Avaliação Na avaliação do projecto serão consideradas as componentes seguintes: 1. A primeira componente avalia o correcto funcionamento do programa realizado, e tem uma contribuição máxima de 14 valores para a nota final. O correcto funcionamento da classificação alternativa de spam corresponde a 2 valores destes A segunda componente avalia o desempenho do programa realizado, e tem uma contribuição máxima de 4 valores para a nota final. O desempenho da classificação alternativa de spam corresponde a 1 valor destes A terceira componente avalia a qualidade do código entregue. Esta componente varia entre -2 valores e +2 valores e será atribuída na discussão final do trabalho. Nesta componente será tido em conta a realização e utilização de ADT s. 4. A última componente da avaliação corresponde à certificação com o programa valgrind. Projectos que reportem erros como resultado da certificação com o valgrind têm uma penalização de 10% da nota obtida nas duas primeiras componentes. 8.2 Atribuição automática da nota A nota das duas primeiras componentes da avaliação do projecto são obtidas automaticamente através da execução de um conjunto de testes executados num computador com o sistema operativo GNU/Linux. Torna-se portanto essencial que o código compile correctamente e que respeite o formato de entrada e saída dos dados. Projectos que não obedeçam ao formato indicado no enunciado serão penalizados na avaliação automática, podendo no limite ter 0 valores se falharem todos os testes. Os testes considerados para efeitos de avaliação incluem os disponibilizados na página da disciplina, além de um conjunto de testes adicionais. A execução de cada programa em cada teste é limitada na quantidade de memória que pode utilizar, até um máximo de 128 MByte, e no tempo total disponível para encontrar a solução, sendo o tempo limite distinto para cada teste. Note que o facto de o seu projecto passar com sucesso o conjunto de testes disponibilizado não implica que o projecto está totalmente correcto. Apenas indica 6

7 que passou alguns testes com sucesso, mas este conjunto de testes não é exaustivo. É da responsabilidade dos alunos garantir que o código produzido está correcto. 8.3 Detecção de Cópias A avaliação dos projectos inclui a utilização de um sistema para detecção de situações de cópia entre projectos. A submissão de um projecto pressupõe o compromisso de honra que o trabalho incluso foi realizado pelos alunos referenciados nos ficheiros submetidos para avaliação. A quebra deste compromisso, ou seja a tentativa de um grupo se apropriar de trabalho realizado por colegas, tem como consequência a reprovação de todos os alunos envolvidos (incluindo os que possibilitaram a ocorrência) à disciplina de AED neste ano lectivo. 8.4 Considerações Adicionais Todos os programas são avaliados do modo seguinte:./proj2 xxx.spam n < xxx.in > xxx.out; diff xxx.out xxx.esp ou./proj2 -u xxx.spam n < xxx.in > xxx.out; diff xxx.out xxx.esp em que o ficheiro xxx.esp representa o resultado esperado da execução do programa considerando os s definidos dentro do ficheiro xxx.in, o ficheiro de spam xxx.spam e o número mínimo de palavras n que devem estar presentes no ficheiro de spam. A impossibilidade de verificar automaticamente o resultado da execução de um dado programa implica uma penalização de 100%. Considera-se que um programa passou um teste com sucesso se o resultado produzido por esse programa for exactamente igual ao resultado esperado, i.e. o comando diff não deverá encontrar diferenças entre o resultado produzido pelo programa submetido e o esperado. Para poder ser avaliado, um projecto deverá compilar correctamente num computador com o sistema operativo GNU/Linux, sendo o utilizado o compilador gcc da GNU. A entrega de código não compilável, ou a não inclusão de qualquer dos ficheiros requeridos, ou a utilização de nomes diferentes para o ficheiro executável conduz a uma classificação de zero valores. Não serão aceites quaisquer justificações. 7