摘  要： 克隆代碼會(huì)導(dǎo)致項(xiàng)目的維護(hù)困難，削弱項(xiàng)目的健壯性，并且克隆代碼中所包含的bug會(huì)破壞整個(gè)項(xiàng)目。當(dāng)前克隆代碼檢測(cè)技術(shù)或者拘泥于只能檢測(cè)少數(shù)幾種克隆代碼，或者需要極高的檢測(cè)時(shí)間。而且如果需要檢測(cè)大量的源代碼，一臺(tái)機(jī)器的主存也許無(wú)法存儲(chǔ)所有的信息。對(duì)克隆代碼檢測(cè)技術(shù)的并行運(yùn)行進(jìn)行了可能性研究，使用基于程序依賴(lài)圖的克隆代碼檢測(cè)技術(shù)，這種技術(shù)不僅可以檢測(cè)出語(yǔ)法上的克隆，也可以檢測(cè)出語(yǔ)義上的克隆，提出了一個(gè)并行子圖同構(gòu)檢測(cè)方法并使用MapReduce并行實(shí)現(xiàn)，實(shí)驗(yàn)結(jié)果極大地提高了該方法的運(yùn)行速度。
關(guān)鍵詞： 克隆代碼；程序依賴(lài)圖；同構(gòu)匹配檢測(cè)；Hadoop

    在軟件項(xiàng)目的開(kāi)發(fā)過(guò)程中，由于能夠降低開(kāi)發(fā)者的工作量，“復(fù)制粘貼”也許是最常使用的操作。但這也帶來(lái)了克隆代碼的問(wèn)題。
    克隆代碼的存在給軟件維護(hù)帶來(lái)了困難，當(dāng)開(kāi)發(fā)者試圖修改代碼時(shí)，他們很可能修改了克隆代碼中的一處而忘記了別的地方，這顯然會(huì)帶來(lái)代碼的不一致。為了避免這個(gè)難題，大量的克隆代碼檢測(cè)技術(shù)被提出。但問(wèn)題在于克隆代碼的精確定義本身就不明確，現(xiàn)有的每一種方法都有其對(duì)于克隆代碼自己的定義。因此，同樣的源代碼，如果用不同的克隆代碼檢測(cè)方法檢測(cè)，可能會(huì)得到完全不同的結(jié)果。
    基于程序依賴(lài)圖的方法能夠探測(cè)語(yǔ)義克隆代碼，而且它還具有一個(gè)其他方法所不具有的能力：能夠探測(cè)非連續(xù)性的克隆代碼[1]。非連續(xù)性的克隆代碼是被其他代碼或文件所分割開(kāi)來(lái)的克隆代碼，克隆代碼中的代碼并不是連續(xù)的。而開(kāi)發(fā)者往往會(huì)在粘貼克隆代碼后做一些修改，這樣，基于程序依賴(lài)圖的檢測(cè)方法就能夠檢測(cè)出這種克隆代碼。
    但是基于程序依賴(lài)圖的方法有一個(gè)很大的缺點(diǎn)，即運(yùn)行非常緩慢。程序依賴(lài)圖的同構(gòu)檢測(cè)是著名的圖同構(gòu)匹配問(wèn)題，該問(wèn)題為NP完全問(wèn)題，需要指數(shù)級(jí)的時(shí)間復(fù)雜度，這導(dǎo)致了運(yùn)行時(shí)間呈指數(shù)級(jí)增長(zhǎng)。
    本文提出了一種并行執(zhí)行程序依賴(lài)圖同構(gòu)匹配的方法。通過(guò)使用這種方法，減少了這一特定問(wèn)題的圖同構(gòu)匹配算法所需要的時(shí)間。并使用MapReduce這一流行的并行框架來(lái)并行該方法。
1 背景知識(shí)
1.1 程序依賴(lài)圖
    程序依賴(lài)圖是一個(gè)有向圖，該圖的頂點(diǎn)代表了源代碼中的代碼，而邊代表了兩個(gè)頂點(diǎn)之間的依賴(lài)。在程序依賴(lài)圖中只有兩種邊：代表控制依賴(lài)的邊和代表數(shù)據(jù)依賴(lài)的邊。以下展示了一個(gè)源代碼的例子，圖1為該源代碼所產(chǎn)生的程序依賴(lài)圖。

    #include <stdio.h>
    #include <string.h>
    #include <stdio.h>
    #include <stdlib.h>
    
    #define BUFFER_SIZE     1024
    #define DELIM   "\t"
    
    int main(int argc, char *argv[]){
        char strLastKey[BUFFER_SIZE];
        char strLine[BUFFER_SIZE];
        int count = 0;
    
        *strLastKey = '\0';
        *strLine = '\0';
    
        while( fgets(strLine, BUFFER_SIZE - 1, stdin) ){
            char *strCurrKey = NULL;
            char *strCurrNum = NULL;
    
            strCurrKey  = strtok(strLine, DELIM);
            strCurrNum = strtok(NULL, DELIM);
/* necessary to check error but.... */
    
            if( strLastKey[0] == '\0'){
                strcpy(strLastKey, strCurrKey);
            }
    
            if(strcmp(strCurrKey, strLastKey)){
                printf("%s\t%d\n", strLastKey, count);
                count = atoi(strCurrNum);
            }else{
                count += atoi(strCurrNum);
            }
            strcpy(strLastKey, strCurrKey);
    
        }
        printf("%s\t%d\n", strLastKey, count);
/* flush the count */
        return 0;
    }
1.2 MapReduce
    MapReduce[2]是一個(gè)流行的編程模型，該模型能夠通過(guò)一個(gè)運(yùn)行在集群上的并行的、分布式的算法對(duì)大數(shù)據(jù)集進(jìn)行處理。它提供了一個(gè)簡(jiǎn)單易用的并行算法編程框架，使用該框架的開(kāi)發(fā)者只需要定義兩個(gè)函數(shù)：Map和Reduce。原始數(shù)據(jù)被該框架轉(zhuǎn)換成鍵值對(duì)，每一個(gè)Map進(jìn)程每一次處理一個(gè)鍵值對(duì)（key，value）：
    Map:  <k1, v1> → <k2, v2>
    Map函數(shù)在集群中并行執(zhí)行，MapReduce框架將所有相同的key的鍵值對(duì)傳遞給一個(gè)Reduce函數(shù)。Reduce函數(shù)產(chǎn)生最終的結(jié)果：
    Reduce: <k2,v2> → <k3,v3>
2 程序設(shè)計(jì)算法
    首先把源代碼轉(zhuǎn)換成以靜態(tài)形式表示數(shù)據(jù)流和控制流的程序依賴(lài)圖，將其記為s-PDG。程序依賴(lài)圖的節(jié)點(diǎn)代表了源代碼中的語(yǔ)句(聲明、賦值、表達(dá)式、控制邏輯等)，同時(shí)記錄所有節(jié)點(diǎn)對(duì)應(yīng)源代碼的類(lèi)別以便在后面的比對(duì)中使用。然后選擇一段程序塊所對(duì)應(yīng)的s-PDG的子圖，作為查找與圖同構(gòu)的樣本，將這個(gè)子圖記為b-PDG。隨后對(duì)s-PDG和b-PDG進(jìn)行比對(duì)，以檢測(cè)除了b-PDG本身以外是否還有別的s-PDG的子圖與b-PDG同構(gòu)。如果有，則這個(gè)子圖所對(duì)應(yīng)的代碼就與b-PDG對(duì)應(yīng)的程序塊為克隆代碼。
    經(jīng)典的算法在檢測(cè)子圖同構(gòu)時(shí)只能順序執(zhí)行，本文所要做的是將s-PDG切分成多個(gè)小圖，然后并行子圖同構(gòu)檢測(cè)。在論述切分s-PDG的方法之前，先給出會(huì)在切分中使用的偽圓的定義。
    在圖G=（V，E）中，任給A∈V，以A為圓心，以一個(gè)正數(shù)為半徑，對(duì)于任意節(jié)點(diǎn)B∈V，如果AB之間的最短路徑長(zhǎng)度(對(duì)于邊無(wú)權(quán)值的圖，最短路徑長(zhǎng)度為最短路徑所經(jīng)過(guò)的節(jié)點(diǎn)的個(gè)數(shù))小于半徑，則B位于該偽圓中。當(dāng)計(jì)算最短路徑時(shí)忽略邊的方向。
    按照參考文獻(xiàn)[3]中提出的方法切割s-PDG：
    (1)根據(jù)s-PDG節(jié)點(diǎn)的種類(lèi)分別計(jì)數(shù)。

    (2)取出s-PDG中數(shù)量最少的節(jié)點(diǎn)的種類(lèi)，將其記為種類(lèi)l。然后選取出b-PDG中屬于種類(lèi)l的節(jié)點(diǎn)。如果b-PDG中沒(méi)有種類(lèi)l的節(jié)點(diǎn)，則變更種類(lèi)l為s-PDG中第二少種類(lèi)的節(jié)點(diǎn)。如果種類(lèi)l仍然在b-PDG中沒(méi)有節(jié)點(diǎn)，則繼續(xù)變更種類(lèi)l為s-PDG中第三少種類(lèi)的節(jié)點(diǎn)，直到b-PDG中存在種類(lèi)l的節(jié)點(diǎn)。
    (3)計(jì)算s-PDG中所有這些種類(lèi)l的節(jié)點(diǎn)與其他節(jié)點(diǎn)的距離，將最大值定為偽半徑。
    (4)以上面計(jì)算出的偽半徑，以s-PDG中種類(lèi)為l的節(jié)點(diǎn)為圓心，可以得到一些偽圓。這些偽圓就是切割s-PDG的最終結(jié)果。將它們記為c-PDG的集合。
    在查找同構(gòu)子圖的過(guò)程中必須檢查節(jié)點(diǎn)的種類(lèi)，對(duì)應(yīng)的節(jié)點(diǎn)必須有同樣的種類(lèi)。所以同構(gòu)子圖必須有種類(lèi)為l的節(jié)點(diǎn)?？紤]到b-PDG的尺寸大小，在s-PDG中的節(jié)點(diǎn)如果距步驟(4)中選取的圓心距離過(guò)大，則這些節(jié)點(diǎn)不可能處于同構(gòu)子圖中，因此可以把這些節(jié)點(diǎn)切除不再考慮。
    該算法的基本流程如圖2所示。

3 算法的實(shí)現(xiàn)
    使用JavaPDG[4]生成整個(gè)項(xiàng)目的程序依賴(lài)圖。JavaPDG是一個(gè)靜態(tài)的Java字節(jié)碼分析器。這個(gè)工具能夠產(chǎn)生各種不同的對(duì)源代碼的圖形展示，例如系統(tǒng)依賴(lài)圖、程序依賴(lài)圖、控制流圖和函數(shù)調(diào)用圖。
    使用Hadoop[5](一個(gè)MapReduce框架的開(kāi)源實(shí)現(xiàn))來(lái)并行這個(gè)子圖集的同構(gòu)匹配。
    使用Igraph[6]來(lái)檢測(cè)子圖同構(gòu)匹配。Igraph是一個(gè)針對(duì)圖的操作的開(kāi)源軟件包，由于Igraph是用C語(yǔ)言寫(xiě)成的，必須通過(guò)Hadoop流來(lái)將這個(gè)軟件包用于并行同構(gòu)檢測(cè)。
4 實(shí)驗(yàn)與評(píng)價(jià)
    通過(guò)對(duì)兩個(gè)開(kāi)源項(xiàng)目的檢測(cè)來(lái)評(píng)價(jià)本文的算法，結(jié)果如表1所示。通過(guò)代碼行數(shù)和對(duì)應(yīng)程序依賴(lài)圖的節(jié)點(diǎn)和邊的個(gè)數(shù)來(lái)對(duì)比項(xiàng)目的大小。將經(jīng)典PDG匹配算法與以3臺(tái)機(jī)器組成的集群上并行為例的本文算法所消耗的時(shí)間進(jìn)行了比較。

    結(jié)果顯示，本文算法極大地提高了同構(gòu)匹配的性能，經(jīng)典的程序依賴(lài)圖同構(gòu)匹配算法需要花費(fèi)幾個(gè)小時(shí)，而本文并行算法僅僅花費(fèi)幾分鐘。這是因?yàn)椴⑿兴惴ㄒ瞥顺绦蛞蕾?lài)圖中的部分節(jié)點(diǎn)，而且并行了同構(gòu)匹配的過(guò)程。
    本文提出了一種提高基于程序依賴(lài)圖的克隆代碼檢測(cè)性能的方法。把程序依賴(lài)圖分割成若干個(gè)小圖并使用Hadoop并行執(zhí)行子圖同構(gòu)檢測(cè)，使得算法的性能得到了提高。使用兩個(gè)得到廣泛使用的開(kāi)源項(xiàng)目來(lái)測(cè)試本文算法，測(cè)試結(jié)果顯示該算法顯著地提高了克隆代碼檢測(cè)的性能。
參考文獻(xiàn)
[1] 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.
[2] DEAN J，GHEMAWAT S.MapReduce：simplified data processing on large clusters[J].Communications of the ACM, 2008，51(1)：107-113.
[3] LI J，ERNST M D.CBCD：cloned buggy code detector[C].  ICSE 34th International Conference on Software Engineering, 2012：310-320.
[4] SHU G，SUN B, HENDERSON T A，et al.JavaPDG：a new  platform for program dependence analysis[C].In Proceedings  of the 6th IEEE International Conference on Software Testing，Verification and Validation, Testing Tools Track，Luxembourg，2013：18-22.
[5] Hadoop.The apache software foundation[EB/OL].[2013-09-10].http：//hadoop.apache.org/.
[6] CSARDI G，NEPUSZ T.The igraph software package for complex network research[C].InterJournal，Complex Systems, 1695.2006.