王亞芳 劉東升 侯敏

摘 要：目前在代碼克隆檢測領域，學者們主要從文本、詞匯、語法和語義四種角度展開研究，然而長期以來代碼克隆檢測效果并未取得新的突破。針對這一問題，從圖像處理角度提出了一種基于圖像相似度的新型代碼克隆檢測（CCIS）方法。首先對源代碼進行移除注釋、空白符等操作，以獲取“干凈”的函數(shù)片段，并將函數(shù)中的標識符、關鍵字等進行高亮處理;然后將處理好的源代碼轉換為圖像，并對圖像進行規(guī)范化處理;最后使用Jaccard距離和感知哈希算法進行檢測，得到代碼克隆信息。為了驗證實驗的有效性，使用6款開源軟件構建評價數(shù)據(jù)集進行測試。實驗結果表明，CCIS方法能夠檢測出100%的類型一代碼克隆、88%的類型二代碼克隆與60%的類型三代碼克隆，因此CCIS方法可以很好地進行代碼克隆檢測。

關鍵詞：代碼克隆;克隆檢測;Jaccard距離;感知哈希算法;語法高亮

Abstract： At present， scholars mainly focus on four perspectives of text， vocabulary， grammar and semantics in the field of clone code detection. However， few breakthroughs have been made in the effect of clone code detection for a long time. In view of this problem， a new method called Clone Code detection based on Image Similarity （CCIS） was proposed. Firstly， the source code was preprocessed by removing comments， white space， etc.， from which a “clean” function fragment was able to be obtained， and the identifiers， keywords， etc. in the function were highlighted. Then the processed source code was converted into images and these images were normalized. Finally， Jaccard distance and perceptual Hash algorithm were used for detection， obtaining the clone code information from these images. In order to verify the validity of this method， six open source softwares were used to constitute the evaluation dataset for testing. The experimental results show that CCIS method can detect 100% type-1 clone code， 88% type-2 clone code and 60% type-3 clone code， which proves the good effect of CCIS method on clone code detection.

Key words： clone code; clone detection; Jaccard distance; perceptual Hash algorithm; syntax highlighting

0 引言

在軟件開發(fā)與維護過程中，開發(fā)人員經常使用“復制—粘貼”或者使用開發(fā)框架的開發(fā)方式，使得軟件系統(tǒng)中出現(xiàn)大量的代碼克隆。代碼克隆是軟件工程領域的重要研究內容，具體體現(xiàn)在軟件維護、軟件演化、軟件質量、軟件復用及軟件授權、反剽竊等眾多領域。經實證研究發(fā)現(xiàn)[1-3]，代碼克隆廣泛存在于各項開源與閉源代碼中，并且占據(jù)了相當比例，因此有必要檢測代碼克隆并對其進行良好的維護與管理。針對這一問題，學術界已經提出許多種代碼克隆檢測技術，然而所有的方法都需要將源代碼按照各自制定的規(guī)則轉換為Token、抽象語法樹或者程序依賴圖等，中間過程復雜，并沒有對源代碼規(guī)范化的統(tǒng)一標準，為此本文提出了一種基于圖像相似度代碼克隆檢測（Code Clone detection based on Image Similarity， CCIS）方法。在開發(fā)過程中，程序員在集成開發(fā)環(huán)境（Integrated Development Environment， IDE）中查看源代碼時，首先看到的就是代碼的可視圖像，開發(fā)人員手動查找克隆時是通過粗略掃描代碼的形狀與布局確定視覺上的相似代碼片段，進而對這些視覺上的相似文本進行更細粒度的檢查，并確定是否為真正的克隆代碼。本文正是遵循這種使用源代碼圖像之間在視覺上相似性的直覺來尋找代碼克隆，通過將源代碼片段表示為圖像，檢測圖像之間的相似度確定代碼克隆。本文檢測方法與傳統(tǒng)檢測方法相比，提出了一種基于圖像相似度的代碼克隆檢測方法，為代碼克隆分析研究在源代碼的表征方式上提供了全新的視角。

1 相關工作

從20多年前學者們就開始研究代碼克隆[4]，在該領域中，目前被研究者廣泛認可的代碼克隆分類標準是由Bellon等[5]依據(jù)代碼克隆程度不同提出的四分類標準：類型一是指除去空格與注釋完全相同的代碼對;類型二是指除去類型名、標識符以及常量外都相同的代碼對;類型三是指部分語句增刪改或標識符、類型有所替換但句法結構基本相同的代碼對;類型四是指語義相似但是句法結構不同的代碼對。

至今學術界已有一些優(yōu)秀的代碼克隆檢測方法[6-13]，主要是以基于文本、詞匯、語法以及語義四種表征方式進行檢測。

基于文本的代碼克隆檢測方法主要有NICAD（Accurate Detection of Near-miss Intentional Clones）[6]、SDD（Similar Data Detection）[7]、Duploc[14]、Dup[15]等。Roy等[6]提出的NICAD工具與Lee等[7]提出的SDD方法是本領域內現(xiàn)在被廣泛認可的基于文本的檢測方法。NICAD工具首先對源代碼預處理，然后按照特定規(guī)則進行轉換，最后利用動態(tài)匹配模式尋找最長相同子序列從而進行文本比較，最終能夠檢測類型一到類型三的代碼克隆。SDD方法直接對源代碼建立倒排索引，使用n近鄰算法進行代碼克隆檢測，可以檢測類型一到類型三的代碼克隆。然而將源代碼簡單表征為文本，會丟失大量代碼的特殊信息。

基于詞匯的代碼克隆檢測技術主要有CCFinder（Code Clone Finder）[8]、CP-Miner[9]、Boreas[16]、CCLearner[17]等。Kamiya等[8]提出的CCFinder與Li等[9]提出的CP-Miner是兩種知名的基于詞匯的代碼克隆檢測技術。CCFinder將源代碼按照一定規(guī)則轉換為正則化序列以及參數(shù)化符號，然后使用后綴樹匹配算法進行代碼克隆檢測，該工具能夠檢測類型一與類型二的代碼克隆。CP-Miner采用頻繁子項挖掘技術對大規(guī)模系統(tǒng)進行克隆檢測，可以檢測類型一與類型二的代碼克隆?；谠~匯表征代碼，會忽略源代碼的結構信息。

基于語法的代碼克隆檢測方法主要有DECKARD[10]、CloneDR[11]、CDLH（Clone Detection with Learning to Hash）[18]、Wahler等[19]的工作等。Jiang等[10]提出的DECKARD與Baxter等[11]提出的CloneDR是被目前廣泛使用的基于語法的代碼克隆檢測方法。兩者的原理都是將源代碼解析為抽象語法樹（Abstract Syntax Tree， AST），再分別利用樹匹配技術與局部敏感哈希（Locality Sensitive Hashing， LSH）匹配算法進行相似度對比。DECKARD可以檢測到類型一到類型三的代碼克隆，CloneDR可以檢測到類型一與類型二的克隆片段?；跇涞臋z測方法由于需要遍歷樹，計算開銷相對較大。

基于語義的代碼克隆檢測技術主要有Duplix[12]、ConQAT[13]、利用同構程序依賴圖的切片檢測克隆的方法[20]等。Krinke等[12]提出的Duplix和Hummel等提出的ConQAT[13]是兩種知名的基于語義的檢測方法。Duplix利用程序依賴圖表示源代碼，使用K-length patch算法對代碼片段進行相似性對比，可以檢測到類型一與類型四的代碼克隆;ConQAT將源代碼符號化，使用基于后綴樹和索引的檢測算法，可以檢測到類型一與類型二的代碼克隆?；趫D的檢測技術需要程序依賴圖的生成器，且計算開銷十分大。

本團隊在克隆代碼檢測方面也作了許多研究，史慶慶等[21]提出了一種基于后綴數(shù)組的克隆檢測方法，利用后綴數(shù)組查找相同Token子串，從而確定代碼克隆，此方法只能檢測出類型一和類型二的代碼克隆。張久杰等[22]提出了一種基于Token編輯距離檢測代碼克隆的方法，通過對Token的定長子串映射，進而利用編輯距離查找克隆對，此方法中源代碼轉換規(guī)則復雜。

此外，目前基于圖像的代碼克隆檢測方法只有Ragkhitwetsagul等[23]提出的Vincent，該方法利用EMD（Earth Movers Distance）和高斯模糊濾波器對代碼圖像之間進行相似度比較，從而檢測出類型一到類型三的代碼克隆，只適用于Java語言的系統(tǒng)，具有一定的局限性。

2 基于圖像相似度的代碼克隆檢測方法

本文所提出的基于圖像相似度代碼克隆檢測（CCIS）方法的流程如圖1所示，主要由4個核心步驟組成：1）首先移除源代碼中的注釋及空白符等非函數(shù)代碼，提取代碼函數(shù)片段，并為代碼添加高亮;2）然后將經過預處理的代碼片段轉換為圖像;3）接著對圖像進行裁剪、填充以及調整大小等操作;4）最終使用Jaccard距離（Jaccard Distance）與感知哈希算法對標準化的代碼圖像進行檢測，得到代碼克隆信息，并返回檢測結果。

2.1 源代碼預處理

源代碼預處理是基于圖像相似度檢測代碼克隆的基礎性工作。本文以Python語言為研究對象，對源代碼預處理的步驟主要包括移除源代碼中的單行注釋、多行注釋及空白符等非函數(shù)代碼，以函數(shù)粒度進行識別并標記代碼片段，根據(jù)關鍵字、數(shù)據(jù)類型、函數(shù)名稱、標識符以及數(shù)字或字符串在代碼中所占權重不同，對代碼進行高亮。

基于圖像相似度檢測代碼克隆是根據(jù)源代碼圖像中像素分布匹配來計算相似度，若兩個代碼片段為克隆關系，則它們之間大部分代碼像素對齊，反之亦然，因此，代碼預處理會直接影響后續(xù)過程以及檢測結果。

本文所提取的函數(shù)包括循環(huán)嵌套深度，而不是僅僅限制于考慮詞法層面的信息[22]。函數(shù)提取算法主要步驟如下：

2.2 圖像轉換

經過預處理的源代碼需要轉換為圖像，然后根據(jù)計算圖像之間的相似度，進行代碼克隆檢測，確定代碼克隆對。本文借助文本處理工具Highlight（http：//www.andre-simon.de）將經過預處理提取的函數(shù)代碼批量添加高亮并轉換為超級文本標記語言（HyperText Markup Language， HTML）文件，使得所占權重高的代碼在圖像相似度檢測中發(fā)揮作用，從而降低數(shù)字、字符串等不重要代碼在結果中所占的比重。如圖2所示，為工具Highlight的使用界面截圖。

本文使用Python imgkit （https：//pypi.org/project/imgkit/）將文件中每個函數(shù)的HTML文件都轉換為便攜式網(wǎng)絡圖形（Portable Network Graphics， PNG）。圖像以大小為m×n的二維矩陣方式讀入存儲器，矩陣中每一項數(shù)值的取值范圍為0到255，代表原始圖像的8位灰度圖，而灰度值是根據(jù)像素點色彩通道中的紅色、綠色和藍色（RGB）值求平均值所取。

2.3 圖像規(guī)范化

經過圖像化的函數(shù)代碼片段無法直接進行相似度檢測，這是由于直接轉換后的圖像之間像素以及比例不同，不滿足Jaccard距離（Jaccard Distance）與感知哈希算法（perceptual Hash， pHash）的檢測條件。為了解決這一問題，需要對源代碼轉換后的圖像進行規(guī)范化處理。

本文將圖像背景即非源代碼像素設置為黑色，其灰度值為0，而源代碼的像素是通過該像素點的RGB值求平均計算所得，這意味著可以根據(jù)矩陣中非零元素的數(shù)量來計算圖片中所包含源代碼的像素數(shù)量。

在進行圖像相似度檢測時，需要被檢測的原始圖像相互之間大小相同，且不能經過隨意縮放，避免造成因圖像中代碼的字體大小不一樣，而導致圖像中像素點錯位，從而丟失克隆對的情況?；诖?，需要對所有圖像進行規(guī)范化處理。對于長度不同的圖像，使用黑色補全相對短的圖像，從而與較長的圖像長度相等。由于生成的圖像寬度是統(tǒng)一像素的，為了在pHash檢測過程中減小因非代碼像素所占比重過大而造成相似度過高的問題，需要極大限度地在寬度方面裁剪非代碼像素，并還要保證圖像之間寬度一致。圖像規(guī)范化的算法主要步驟如下：

2.4 相似度檢測

本文選取兩種計算圖像相似度的方法：Jaccard距離與感知哈希算法。

使用Jaccard距離檢測代碼克隆片段速度相對較快，可以處理大量的數(shù)據(jù)，但是效果并不理想，該方法只能檢測到較簡單的代碼克隆，對于比較復雜的情況無法準確地識別，因此使用pHash算法進一步檢測，pHash算法通過離散余弦變換最大限度上保留圖片中低頻部分，只要圖像的整體結構保持不變，其對應的哈希值基本不變，能較好地識別相對復雜的克隆情況。

2.4.1 Jaccard距離

Jaccard距離[23-26]是用來衡量兩個集合差異性的一種指標，它是Jaccard相似系數(shù)（Jaccard similarity coefficient）的補集，被定義為1減去Jaccard相似系數(shù)。為了計算Jaccard距離，本文將基于零范數(shù)的兩個代碼圖像的差異給出如下定義。給定兩個尺寸相等的圖像，分別用大小為m×n的二維矩陣A和B表示。矩陣D是由矩陣A和B衍生的逐元差分矩陣，其中第i行第j列的元素記為dij。這兩個圖像之間的差異用矩陣D中的非零元素的個數(shù)表示，記作diff。如圖3（a）與圖3（b）所示，給定一對源代碼圖像bubble_sort1和bubble_sort2，它們的區(qū)別如圖3（c）所示，diff值為圖像中白色實線區(qū)域內的非零像素的個數(shù)：

本文將矩陣A和B相加得到的矩陣記為矩陣S，sij表示矩陣S中第i行第j列的元素。這兩個圖像中所包含源代碼文本的區(qū)域用矩陣S中的非零元素的個數(shù)表示，記作sum。為了將距離限制于（0，1）區(qū)間，本文借助sum對距離進行標準化處理。如圖3（d）所示，sum的值為圖中黑色實線區(qū)域內的非零像素的個數(shù)：

由于背景在圖像中所占比例較大，且背景之間始終相互匹配，為了防止該情況所造成的影響，即產生比實際情況遠遠要小的距離值，本文選取代碼區(qū)域像素個數(shù)總和，而不是圖像中所有像素的總數(shù)，然后根據(jù)diff值與sum值計算歸一化距離，其相似性與距離的互補。矩陣A和B之間的歸一化距離記為distance，用矩陣A與B表示的兩張圖像之間的相似度記作similarity：

2.4.2 感知哈希算法

本文使用感知哈希（perceptual hash，pHash）算法[27-28]進行代碼圖像的克隆檢測，pHash算法使用離散余弦變換（Discrete Cosine Transform， DCT）將像素域的圖像轉換為頻率域，得到其頻率系數(shù)矩陣，選取矩陣左上角區(qū)域元素計算圖像哈希值。通過比較兩張圖像哈希值的距離，進而判斷圖像是否相似。pHash算法主要步驟如下：

使用最大pHash距離對計算出的距離進行歸一化，相似度與距離互補。矩陣A和B之間的pHash距離用pHash（A，B）表示，任意兩個矩陣之間最大的pHash距離記作pHashmax，用矩陣A與B表示的兩張圖像之間的相似度用變量similarity表示：

3 實驗及分析

3.1 數(shù)據(jù)描述

由于研究者們所提出的克隆檢測方法在檢測粒度、針對語言以及系統(tǒng)規(guī)模等方面并不統(tǒng)一，所以目前還沒有用于評價代碼克隆檢測工具的國際標準測試數(shù)據(jù)集。Svajlenko等[29]提出了一個Java代碼集——BigCloneBench，但是它受語言和只有10種功能的限制，并不能適用于全部檢測工具。為了準確而客觀地評價CCIS方法，本文借鑒Roy團隊提出的變異插入[30]測試方法，該方法不依賴于任何工具與編程語言，可以比較公平且獨立地評價檢測結果，其核心思想是在給定的源代碼片段中通過人為修改、增加或刪除一些語句，產生類型一到類型三的代碼克隆對。例如對源代碼進行更改類型名稱、修改常量值、增加空白符等操作，產生類型二的代碼對。所有源代碼片段經過變異插入后得到的代碼片段為變異代碼片段，在此過程中，所有變異相關信息的信息都會被記錄，便于對所提出的方法檢測結果進行召回率與精確度的計算。數(shù)據(jù)集的構建與變異相關信息的記錄人員包括作者本人、校內代碼克隆研究專家5名以及企業(yè)軟件開發(fā)人員6名。

本文以函數(shù)粒度作為研究對象，選取來自6款開源項目中的219個源代碼片段，具體變異插入過程包括三種情況：第一種情況就是對源代碼片段進行增加、刪除空白符或注釋，以及修改注釋的操作，使經過變異插入的代碼片段與源代碼片段形成類型一的代碼克隆對;第二種情況是對源代碼片段進行修改數(shù)據(jù)類型、標識符以及常量數(shù)值等操作，使源代碼片段和變異插入的代碼片段形成類型二的代碼克隆對;第三種情況是對源代碼片段中的少量語句刪除、修改或者增加，并且修改后的代碼片段與源代碼片段的功能要相同，形成類型三的代碼克隆對。經過變異插入過程之后，得到275個變異片段，因此數(shù)據(jù)集當中共有494個代碼克隆片段。為了使結果更加客觀，又在此基礎上加入了72個非代碼克隆片段，即噪聲片段，且任意兩個噪聲片段之間都互不為代碼克隆。項目基本信息見表1所示。

3.2 評價指標

檢測的結果是二分類問題，即該代碼片段是克隆片段或者不是克隆片段，因此采用召回率與精確度兩個度量指標對實驗結果進行評價[22，30-31]。召回率（Recall）指所有被檢測到的代碼克隆數(shù)量占總體克隆數(shù)量的比例：

精確度（Precision）指克隆檢測算法所檢測到候選代碼克隆中真實代碼克隆的比例：

其中：TP（True Positive）代表CCIS方法檢測出的克隆片段與真實代碼克隆片段的交集;FP（False Positive）代表CCIS方法檢測出是克隆片段但實際并不是真實克隆片段的代碼克隆片段集合;FN（False Negative）代表CCIS方法未檢測出的真實代碼克隆片段集合。

3.3 實驗結果及分析

代碼克隆檢測最終結果以可擴展標記語言（eXtensible Markup Language， XML）形式反饋，為后續(xù)對代碼克隆數(shù)據(jù)進一步分析提供數(shù)據(jù)交換基礎。圖4為XML的部分結果展示。

實驗將494個代碼克隆片段與72個非代碼克隆片段整合到一起作為一個待檢測的項目，然后使用CCIS方法進行檢測。根據(jù)檢測結果顯示，該數(shù)據(jù)集中共有414個代碼克隆片段。為了驗證檢測出的代碼克隆片段在不同項目中分布是否均衡，表2顯示出了源項目中的494個真實代碼克隆片段與414個所檢測到的代碼克隆片段在6個項目中的分布情況。

表2中出現(xiàn)的錯檢與漏檢情況，針對這一問題進行了分析，漏檢的主要原因是由于這些片段與其對應的代碼克隆片段在替換的標識符等長度發(fā)生較大變化從而導致大量像素點整體偏移發(fā)生錯位，且包含一些語句的增加刪除，從而導致代碼片段的整體結構輪廓發(fā)生改變，在對代碼圖像進行相似度檢測時，只有少數(shù)像素點可以匹配。發(fā)生錯檢的主要原因是兩個代碼片段雖然不是克隆對，但是其代碼結構輪廓相似，從而使得大部分像素點相互可以匹配，造成兩幅圖像之間計算距離比實際距離小，然而這種情況相對比較少見，在后續(xù)的實驗中會改進算法去改善該問題。

根據(jù)變異插入過程的記錄信息，對檢測結果進行分析，發(fā)現(xiàn)檢測出的414個代碼克隆片段中包含412個真實的代碼克隆片段，即這些代碼克隆片段來自包括源代碼片段與變異插入代碼片段在內的494個代碼克隆片段，還有一個檢測出的克隆代碼片段來自于噪聲代碼片段。利用式（8）、（9）對CCIS方法得到的克隆檢測結果進行召回率與精確度的計算，本次實驗的召回率為430/494=87.04%，精確度為412/414=96.38%。由于數(shù)據(jù)集中設置的噪聲片段所占總體克隆代碼片段的比例較小，而且噪聲片段與變異插入的代碼片段相似度較低，使得本次實驗的精確度相對較高。在后續(xù)的工作中，將會不斷擴大數(shù)據(jù)集中的代碼克隆片段數(shù)量與噪聲代碼片段。

為了分析CCIS方法對于類型一、類型二與類型三的代碼克隆檢測效果，本文根據(jù)數(shù)據(jù)集中的變異插入記錄信息對實驗最終檢測結果中三種類型的代碼克隆數(shù)量進行統(tǒng)計，并分別計算出了使用Jaccard與pHash兩種方法所檢測到每種類型代碼克隆的召回率與精確度，具體信息如表3所示。

根據(jù)表3的結果發(fā)現(xiàn)，使用Jaccard方法能準確地檢測出所有類型一的代碼克隆與60%類型二的克隆，而僅能檢測到10%類型三的代碼克隆。使用pHash算法可以檢測檢測出100%的類型一克隆、88%類型二的代碼克隆以及60%類型三的克隆?？梢缘贸鍪褂胮Hash算法檢測代碼克隆比使用Jaccard方法檢測具有更準確且更全面的效果，即可以使用pHash算法對Jaccard方法檢測不到的克隆進一步檢測。

3.4 對比實驗及分析

為了驗證CCIS方法的有效性，本實驗與NICAD工具在同款檢測軟件和相同實驗環(huán)境的條件下進行了對比。選取NICAD是因為它在當前的代碼克隆檢測方法的評價與對比性研究[4，32]中有較優(yōu)秀的表現(xiàn)，目前可以對Python語言進行代碼克隆檢測的方法較少，而NICAD可以檢測Python語言中的代碼克隆，并且被代碼克隆領域廣泛認可。NICAD可以檢測類型一、類型二與部分類型三的代碼克隆。

使用上文中構建好的實驗評價數(shù)據(jù)集以及變異插入相關信息，分別利用CCIS方法與NICAD進行代碼克隆檢測，得到不同的召回率與精確度如表4所示。

通過對比實驗結果發(fā)現(xiàn)，兩種代碼克隆檢測方法對6款軟件都有很好的檢測效果。在6款測試的軟件中，使用NICAD與使用CCIS方法檢測代碼克隆的精確度都很高，幾乎都可以達到100%。根據(jù)召回率與精確度各自的平均值來講，CCIS方法在檢測代碼克隆時比NICAD所檢測的代碼克隆結果的召回率約高出5個百分點。經過人為查驗檢測出的克隆信息發(fā)現(xiàn)，CCIS方法的精確度與NICAD的精確度不相上下，雖然CCIS方法漏檢了一些真正的代碼克隆片段，但是CCIS方法可以檢測到NICAD檢測不到的代碼克隆片段。結果的查驗與分析人員包括作者本人、校內代碼克隆研究專家5名以及企業(yè)軟件開發(fā)人員6名。

3.5 實驗有效性說明

本文中代碼預處理主要通過Python語言編程實現(xiàn)，代碼轉換為圖像使用文本處理工具Highlight 3.4.8和調用Python imgkit 1.0.1包實現(xiàn)，圖像處理與基于圖像相似度的代碼克隆檢測方法使用Python編程與Python Imaging Library （PIL） （http：//pythonware.com/products/pil/）圖像處理工具、numpy 1.15.2 （http：//www.numpy.org/）科學計算與分析工具，其余工作借助Python實現(xiàn)。研究中所使用的數(shù)據(jù)集已上傳到百度網(wǎng)盤，鏈接https：//pan.baidu.com/s/1zwll924jGtYo1ILVH8oOIQ（提取碼：wihx）。

4 結語

本文提出了一種基于圖像相似度的代碼克隆檢測方法，根據(jù)圖像語義的相似性進行代碼克隆檢測，是一種新的源代碼表征方式，為代碼克隆分析提供了一種全新的視角。利用圖像表征源代碼片段進行克隆檢測，為后續(xù)進行深度學習方面的研究奠定了基礎。

本文的研究工作仍有不足之處，例如由于選取的代碼行數(shù)受到限制會導致漏檢一些代碼克隆，檢測的算法還可以進一步優(yōu)化，只能針對Python語言的項目進行檢測等。在今后的工作中，本文將會繼續(xù)研究并解決這些問題，并且擬通過結合深度學習技術對代碼克隆檢測進行更深入的研究，從而取得更好的結果。

參考文獻 （References）

[1] VERENA K， WAGNER S， KOSCHKE R. Are there functionally similar code clones in practice？[C]// Proceedings of the 12th International Workshop on Software Clones. Washington， DC： IEEE Computer Society， 2018： 2-8.

[2] ROY C K. Large scale clone detection， analysis， and benchmarking： An evolutionary perspective （Keynote）[C]// Proceedings of the 12th International Workshop on Software Clones. Washington， DC： IEEE Computer Society， 2018： 1.

[3] ABDULLAH S， JUGAL K. A survey of software clone detection techniques [J]. International Journal of Computer Applications， 2016， 137（10）： 1-21.

[4] ROY C K， CORDY J R， KOSCHKE R. Comparison and evaluation of code clone detection techniques and tools： a qualitative approach [J]. Science of Computer Programming， 2009， 74（7）： 470-495.

[5] BELLON S， KOSCHKE R， ANTONIOL G， et al. Comparison and evaluation of clone detection tools [J]. IEEE Transactions on Software Engineering， 2007， 33（9）： 577-591.

[6] ROY C K， CORDY J R. NICAD： accurate detection of near-miss intentional clones using flexible pretty-printing and code normalization [C]// Proceedings of the 16th IEEE International Conference on Program Comprehension. Piscataway， NJ： IEEE， 2008： 172-181.

[7] LEE S. SDD： high performance code clone detection system for large scale source code [C]// Proceedings of the 20th ACM SIGPLAN Conference on Object-Oriented Programming. New York： ACM， 2005： 140-141.

[8] KAMIYA T， KUSUMOTO S， INOUE K. CCFinder： a multilinguistic token-based code clone detection system for large scale source code[J]. IEEE Transactions on Software Engineering， 2002， 28（7）： 654-670.

[9] LI Z， LU S， MYAGMAR S， et al. CP-Miner： finding copy-paste and related bugs in large-scale software code[J]. IEEE Transactions on Software Engineering， 2006， 32（3）： 176-192.

[10] JIANG L， MISHERGHI G， SU Z， et al. DECKARD： scalable and accurate tree-based detection of code clones [C]// Proceedings of the 29th International Conference on Software Engineering. Washington， DC： IEEE Computer Society， 2007： 96-105.

[11] BAXTER I D， YAHIN A， MOURA L， et al. Clone detection using abstract syntax trees [C]// Proceedings of the 1998 IEEE International Conference on Software Maintenance. Piscataway， NJ： IEEE， 1998： 368.

[12] KRINKE J. Identifying similar code with program dependence graphs[C]// Proceedings of the 8th Working Conference on Reverse Engineering. Piscataway， NJ： IEEE， 2001： 301-309.

[13] HUMMEL B， JUERGENS E， HEINEMANN L， et al. Index-based code clone detection： incremental， distributed， scalable [C]// Proceedings of the 2010 IEEE International Conference on Software Maintenance. Washington， DC： IEEE Computer Society， 2010： 1-9.

[14] DUCASSE S， RIEGER M， DEMEYER S. A language independent approach for detecting duplicated code[C]// Proceedings of the 1999 International Conference on Software Maintenance. Piscataway， NJ： IEEE， 1999： 109-118.

[15] BAKER B S. On finding duplication and near-duplication in large software systems[C]// Proceedings of the 2nd Working Conference on Reverse Engineering. Piscataway， NJ： IEEE， 1995： 86-95.

[16] YUAN Y， GUO Y. Boreas： an accurate and scalable token-based approach to code clone detection[C]// Proceedings of the 27th IEEE/ACM International Conference on Automated Software Engineering. Piscataway， NJ： IEEE， 2012： 286-289.

[17] LI L， FENG H， ZHUANG W， et al. CCLearner： a deep learning-based clone detection approach[C]// Proceedings of the 2017 IEEE International Conference on Software Maintenance and Evolution. Washington， DC： IEEE Computer Society， 2017： 249-260.

[18] WEI H H， LI M. Supervised deep features for software functional clone detection by exploiting lexical and syntactical information in source code[C]// Proceedings of the 26th International Joint Conferences on Artificial Intelligence Organization. Piscataway， NJ： IEEE， 2017： 303-309.

[19] WAHLER V， SEIPEL D， WOLFF J， et al. Clone detection in source code by frequent itemset techniques[C]// Proceedings of the 4th IEEE International Workshop on Source Code Analysis and Manipulation. Piscataway， NJ： IEEE， 2004： 128-135.

[20] KOMONDOOR R， HORWITZ S. Using slicing to identify duplication in source code[C]// Proceedings of the 8th International Symposium on Static Analysis. Berlin： Springer， 2001： 40-56.

[21] 史慶慶，張麗萍，尹麗麗，等.基于后綴數(shù)組的克隆檢測[J].計算機工程，2013，39（9）：123-127.（SHI Q Q， ZHANG L P， YIN L L， et al. Clone detection based on suffix array[J]. Computer Engineering， 2013， 39（9）： 123-127.）

[22] 張久杰，王春暉，張麗萍，等.基于Token編輯距離檢測克隆代碼[J].計算機應用，2015，35（12）：3536-3543.（ZHANG J J， WANG C H， ZHANG L P， et al. Clone code detection based on Levenshtein distance of token[J]. Journal of Computer Applications， 2015， 35（12）： 3536-3543.）

[23] RAGKHITWETSAGUL C， KRINKE J， MARNETTE B. A picture is worth a thousand words： Code clone detection based on image similarity[C]// Proceedings of the 12th International Workshop on Software Clones. Washington， DC： IEEE Computer Society， 2018： 44-50.

[24] MCCORMICK W P， LYONS N I， HUTCHESON K. Distributional properties of Jaccards index of similarity[J]. Communications in Statistics， 1992， 21（1）： 51-68.

[25] 俞婷婷，徐彭娜，江育娥，等.基于改進的Jaccard系數(shù)文檔相似度計算方法[J].計算機系統(tǒng)應用，2017，26（12）：137-142.（YU T T， XU P N， JIANG Y E， et al. Text similarity method based on the improved Jaccard coefficient[J]. Computer Systems and Applications， 2017， 26（12）： 137-142.）

[26] 田星，鄭瑾，張祖平.基于詞向量的Jaccard相似度算法[J].計算機科學，2018，45（7）：186-189.（TIAN X， ZHENG J， ZHANG Z P. Jaccard text similarity algorithm based on word embedding[J]. Computer Science， 2018， 45（7）： 186-189.）

[27] 宋博，姜萬里，孫濤，等.快速特征提取與感知哈希結合的圖像配準算法[J].計算機工程與應用，2018，54（7）：206-212.（SONG B， JIANG W L， SUN T， et al. Image registration algorithm based on fast feature extraction and perceptual hash[J]. Computer Engineering and Applications， 2018， 54（7）： 206-212.）

[28] 李丹平，楊超，姜奇，等.一種支持所有權認證的客戶端圖像模糊去重方法[J].計算機學報，2018，41（6）：1047-1063.（LI D P， YANG C， JINAG Q， et al. A client-based image fuzzy deduplication method supporting proof of ownership[J]. Chinese Journal of Computers， 2018， 41（6）： 1047-1063.）

[29] SVAJLENKO J， ROY C K. BigCloneEval： a clone detection tool evaluation framework with BigCloneBench [C]// Proceedings of the 2016 IEEE International Conference on Software Maintenance and Evolution. Piscataway， NJ： IEEE， 2016： 131-140.

[30] ROY C K， CORDY J R. A mutation/injection-based automatic framework for evaluating code clone detection tools[C]// Proceedings of the 2009 IEEE International Conference on Software Testing Verification and Validation Workshop. New York： ACM， 2009： 157-166.

[31] 蘇小紅，張凡龍.面向管理的克隆代碼研究綜述[J].計算機學報，2018，41（3）：628-651.（SU X H， ZHANG F L. A survey for management-oriented code clone research[J]. Chinese Journal of Computers， 2018， 41（3）： 628-651.）

[32] SVAJLENKO J， ROY C K. Evaluating modern clone detection tools[C]// Proceedings of the 2014 IEEE International Conference on Software Maintenance and Evolution. Piscataway， NJ： IEEE， 2014： 321-330.