基于字符串的代码克隆检测方法的分析.docVIP

基于字符串的代码克隆检测方法的分析 　　摘要:克隆代码是指在软件源程序中存在的相同或相似的代码片段。克隆代码在很多软件工程中,例如程序理解,代码质量分析,剽窃检测,漏洞查找和病毒检测,都需要通过找出语义或语法上相似的代码片段来实现。目前常用的检测方法有四种:基于文本(text-based)的检测,基于字符序列(token-based)的检测,基于语法树(tree-based)的检测和基于关系图(PDG-based)的检测。基于字符序列的克隆检测首先对源程序进行预处理转换,再经过匹配算法得到克隆检测结果。克隆代码的检测是软件分析的一个重要的部分。 　　关键词:克隆代码;克隆检测;标识符;代码转换;检测算法 　　中图分类号:TP311文献标识码:A文章编号:1009-3044(2009)31-pppp-0c 　　 　　Analysis for Code Clone Detection Based on Token Matchings 　　AN Di-min, TANG Yan-bin 　　(Program Language Lab, Department of Computer Science and Engineering, Hanyang University,426791,Korea) 　　Abstract: In source codes, the code clone is usually referred to as a code fragment that is identical or near-identical to another. Many other software engineering tasks, such as program understanding, code quality analysis, plagiarism detection, virus detection and bug detection may require the extraction of syntactically or semantically similar code fragments. There are currently four types of clone detection techniques: text-based technique, token-based technique, tree-based technique and PDG-based technique. The token-based detection technique should preprocess the sources code and then carry out clone detection result by the matching algorithm. Clone code detection is an important part of software analysis. 　　Key words: clone code;clone detection;token based;code transformation;detection algorithm 　　 　　什么是克隆代码?通常的克隆代码定义是指在软件中存在的相同或相似的代码片段。“相同”和“相似”这两个单词对定义很模糊,目前大部分关于克隆代码分析的资料也没有给出一个明确的定义[1]。在程序开发中,对代码的“复制-粘贴”并经过稍微的改动或者不改动,是一种常见的对代码的再利用,但这种方式导致了程序中存在相似或相同的代码。以前的研究表明,在一个典型的软件系统中,很大一部分(7%至23%的代码)是被克隆的[2]。尽管这种克隆是故意的而且高质量的代码克隆方式能反映出程序的设计意图,可以节省开发成本,但克隆代码的存在对软件的维护和更新有很大的危害,维护或更新一段克隆代码会使工作量翻倍。这种复用克隆机制是非正式的、不可控的,一般为不会有文档记录这种复用,因而会带来一系列的软件维护问题[6]。尤其在大型软件系统中,假如在一段克隆代码中检测出了一个bug,那么所有的这个代码的克隆代码都必须要修改。因此在大型软件系统中对克隆代码的检测和分析是十分必要的。 　　1 克隆代码检测过程 　　1.1 克隆对和克隆类的定义 　　两个代码片段之间当且仅当他们是相似的序列时,称他们之间存在克隆关系。根据克隆关系可以定义克隆对和克隆类:满足克隆关系的一对代码片段被称作克隆对。克隆类是一个由克隆对组成的最大集合,在这个集合里任意两个代码片段都满足克隆关系[4]。 　　1.2 代码的预处理 　　克隆检测分析流程如图1,在进行克隆检测之前,通常