[发明专利]一种计算机软件源代码相似度检测方法

摘要

本发明涉及一种计算机软件源代码相似度检测方法，属于计算机应用技术领域，该方法包括如下步骤：首先依据编程语言不同，对源代码进行分词操作，然后选择特定标注词对分词结果进行分块处理，依据变量属性对变量分词进行相关处理；而后基于分块结果对各块进行差异测算操作，得到差异矩阵，依据各块差异结果及相关性，得到整体差异；进而根据公式最终得到代码相似度检测结果。对比现有技术，本发明方法能够比较成功的识别代码相似度检测中遇到的逐字拷贝、更改注释语句空白区域、重命名标识符、更改数据类型等手段，能够成功检测改变代码块顺序、改变语句顺序、增加冗余语句和变量以及用等价的控制结构替换原有控制结构等手段。

主权项

1.一种计算机软件源代码相似度检测方法，其特征在于，包括以下步骤：步骤1、将两份代码文件，依据其编程语言编译原理进行分词操作，得到分词结果集合tokens；步骤2、对两份代码tokens分别对以特定token起始的语法代码块结构进行分块操作，得到其各自的分块结果blocks；步骤3、对blocks中的变量类型token进行标记，统计其在全部代码中出现的次数和来自的block；步骤4、采用差异度计算方法计算代码文件A中的块与代码文件B中的块的差异度，最终得到一个差异度矩阵；步骤5、依据两份代码其各块的差异度关系，以及相似代码块间差异度最小原则制定相应规则，选择差异度矩阵中的某些元素作为部分差异度，或用某些代码块全部token个数作为部分差异度，对部分差异度进行求和，得到两份代码整体差异度；所述相应规则如下：(1)对差异度矩阵，对于每一行选择不与已选取过值的列相重复的最小值作为该行的差异度；(2)对于剩余没有被取过值的行或列，选取对应代码文件中代码块的token个数作为该行或列的差异度；步骤6、依据两份代码整体差异度和两份代码总体token个数进行计算，得到差异代码所占总体的比例，从而得到两份代码相似度结果。