【Code clone】Distributed Code Clone Detection Based on Index

1 摘要 

　　随着软件产业的发展,代码克隆现象越来越常见,随之带来的安全漏洞、可维护性、产权等问题也引起人们重视.代码克隆按照复制程度分为4类:完全复制、修改名称、更换顺序和自实现.现有的代码克隆检测工具只能在单机情况下对2个项目进行针对性克隆检测,并且已有的源代码搜索引擎也只能检测出代码完全复制的情况.针对这2种情况进行研究后,提出一种分布式代码克隆检测算法,实现一个项目代码从多个开源项目代码中匹配检测,得到除了自实现类型的其他3类克隆结果,并利用分布式系统对开源项目代码建立索引和代码克隆检测,从而解决了可以对任意一个项目进行代码克隆检测。

2 方法概述

　　　　1）对源代码进行预处理，转换成相应的Token序列；

　　　　2）在Token序列的基础上，选取固定个数的Token组成Chunk，计算其Hash值并将其存在HBase数据库中；

　　　　3）识别出克隆代码段（关键过程）：

                 根据hash值，识别出具有相同的hash值的Chunk，将这些Chunk按照邻接表的格式进行存储，如下图：

　　同时为了方便识别出完整的克隆序列，将邻接表进行相应的整理：

3 实验

　　junit4.1.2 和Apache Tomcat 7.0.61，分别进行单机实验和分布式实验，结果：