Algorithme de détection de clones

Question

J'écris un algorithme qui détecte les clones dans le code source. Par exemple. s'il y a un bloc comme:

for(int i = o; i <5; i++){ 
doSomething(abc); 
} 

... et si ce bloc est répété ailleurs dans le code source, il sera détecté comme un clone. La méthode que j'utilise actuellement consiste à créer des hachages pour les lignes/blocs et à les comparer avec des hachages d'autres lignes/blocs dans la même source pour voir s'il y a des correspondances. Maintenant, si le même bloc que ci-dessus devait être répété quelque part avec seulement l'argument de quelque chose de différent, il ne serait pas détecté comme un clone même si cela ressemblerait beaucoup à un clone pour vous et moi. Mon algorithme détecte les correspondances exactes mais ne détecte pas les blocs correspondants où seul l'argument est différent.

Quelqu'un pourrait-il suggérer des moyens de contourner ce problème? Merci!

Answer 1

Voici un moyen très simple, qui peut aller trop loin dans l'effacement d'informations (c'est-à-dire qui peut produire trop de faux positifs): remplacer tout identificateur qui n'est pas un mot clé par un nom fixe. Donc, vous obtiendrez

for (int DUMMY = DUMMY; DUMMY<5; DUMMY++) { 
    DUMMY(DUMMY); 
} 

(en supposant que vous vouliez dire vraiment o plutôt que 0 dans la partie d'initialisation du for -loop). Si vous obtenez un grand nombre de faux positifs, vous pouvez ensuite les post-traiter en cherchant, par exemple, à voir quelle fraction des DUMMY correspond réellement au même identifiant dans les deux moitiés de la correspondance, ou au moins aux identifiants qui sont cohérents entre les deux.

Pour faire beaucoup mieux, vous aurez probablement besoin d'analyser le code dans une certaine mesure. Ce serait beaucoup plus de travail.

Answer 2

Eh bien, si vous allez faire autre chose, alors vous devrez analyser au moins un peu. Par exemple, vous pouvez détecter les méthodes, puis ignorer les arguments de la méthode dans votre hachage. Quoi qu'il en soit, je pense qu'il est toujours vrai que vous avez besoin de votre programme pour mieux comprendre le code que «juste des blocs de texte», et cela pourrait être terriblement compliqué.