Boreas: 一种基于token 的精确并且大规模检测代码克隆的方法

文章连接：

http://ieeexplore.ieee.org/stamp/stamp.jsp?tp=&arnumber=6494937

写在前面的话

代码克隆检测的方法有很多，比如说 textual-based, token-based, tree-based, graph-based, metric-based,hybird based
使用的标准不同，代码克隆的检测分类也是不同的。（taxonomy）

Boreas: An Accurate and Scalable Token-Based Approach to Code Clone Detection

今天我们要翻译的是这一篇

这篇用的检测方法是 基于 token 的

它引入了一个概念叫做counting Environment(CE) 来描述每一个变量

每一个变量可以表示成为一个 Count Vector(CV) 计数向量

我们把所有的CV合并在一起我们就可以构建出一个 Count Matrix(CM)

我们构建出一个CE的标准如下

这样我们可以构建出一个10维的向量

它的向量的每一位表示如下：

1. 变量被使用的次数
2. 变量被定义的次数
3. 变量是不是在一个if 条件里面
4. 变量是不是在一个加法或者减法运算
5. 变量是不是在一个乘法或者除法运算中
6. 变量是不是一个数组的下标
7. 变量是不是定义为一个常量

8. 变量是不是在第一层循环

9. 变量是不是在第二层循环

10. 变量是不是在第三层循环

看下面这个图应该很清楚了

• 第一步是删除字符串，字符
• 第二部就是提取我们的 token
• 第三部就是 构建我们的 CM
• 计算我们的 keyword 和 symbol 的计数向量
• 为每一个的token 向量计算相似值，计算出CM之间的相似值之后得出聚类的结果