一种基于序列结构的程序代码聚类方法
专利汇可以提供一种基于序列结构的程序代码聚类方法专利检索，专利查询，专利分析的服务。并且本 发明 公开了一种基于序列结构的程序代码聚类方法，首以函数为单位，基于程序代码的序列结构计算一对样本，即两份程序代码之间的函数相似度；在此 基础 上，再计算出两份程序代码的相似度与距离；对任意一个样本空间，按上述步骤计算出任意两份程序代码的距离方阵后，采用凝聚型层次聚类的思想对数据进行 聚类分析 ，在聚类过程中无需凭借人工经验输入 阈值 ，而是通过样本数据的特征自动判断是否满足聚类终止条件，最终得到程序代码的聚类结果。本发明可用于程序代码的自动聚类，如高校编程类作业的聚类等提供依据。，下面是一种基于序列结构的程序代码聚类方法专利的具体信息内容。
1.一种基于序列结构的程序代码聚类方法，其特征在于，包括：
步骤1，基于序列结构计算不同程序代码间任意两函数的相似度；
步骤2，根据所述两函数的相似度计算任意两程序代码的相似度；
步骤3，根据所述两程序代码的相似度计算任意两程序代码的距离；由全部程序代码两两之间的距离构建距离方阵；
步骤4，根据所述距离方阵使用凝聚型层次聚类算法对整个程序代码样本空间进行聚类分析。
2.根据权利要求1所述的基于序列结构的程序代码聚类方法，其特征在于，所述步骤1，包括：
步骤1.1，去除程序代码注释；去除程序代码中控制台输入输出函数名、运算符号和变量类型；
步骤1.2，计算一个函数中每一个变量的相对位置数值序列；其中，变量的相对位置为同一变量在该函数中相邻位置之差，由变量的相对位置有序形成的序列为变量的相对位置序列；
步骤1.3，基于Levenshtein距离，计算两个函数间任意两个字符的相似度；字符相似度公式如下所示：
Sim(S1,S2)＝1-Dis(S1,S2)/max(|S1|,|S2|) (1)
其中，(S1,S2)为两变量相对位置序列，Dis(S1,S2)为两序列的编辑距离，max(|S1|,|S2|)为两序列间长度的最大值；
步骤1.4，在两函数之间，求出使得相似度和最大的一组字符对；包括：
字符对对数为两函数经步骤1.2处理后所含有字符数的较小值，且任意一个字符最多只能出现一次；
将所求出的最大相似度和除以字符对对数，获得不同程序代码间两个函数的相似度Simf。
3.根据权利要求1所述的基于序列结构的程序代码聚类方法，其特征在于，所述步骤2，包括：
假设程序代码Wa包括F1,F2,...,Fm(1≤m)个函数块，程序代码Wb包括F1,F2,...,Fn(1≤n)个函数块；则由步骤1求得两程序代码间任意两函数的相似度；
步骤2.1，找出使得两程序代码之间函数相似度之和最大的一组函数对；求解过程规则如下：
获得函数对对数N；其中，N为两程序代码中函数数目的较小值min(n,m)，任意两对函数间不包括重复函数块；
步骤2.2，计算两份程序代码的相似度；由步骤2.1可求得使两程序代码之间函数相似度之和最大的N对函数对，其相似度记为sim1,sim2,...,simN；求得每一对函数对中两函数块经步骤1.1处理后字符数目和为l1,l2,...,lN；求得程序代码Wa与程序代码Wb经步骤1.1处理后字符总数目和为la,b，则由如下公式(2)可求得程序代码Wa与Wb的相似度Sima,b:
。
4.根据权利要求3所述的基于序列结构的程序代码聚类方法，其特征在于，所述任意两程序代码的距离的计算方式如下：
Da,b＝(1-Sima,b)×100 (3)
其中，Da,b表示程序代码Wa与Wb的距离。
5.根据权利要求1所述的基于序列结构的程序代码聚类方法，其特征在于，所述步骤4，包括：
步骤4.1，根据输入的距离方阵求出语法格式有误的代码作为无效点，此类代码在距离方阵中，与除自身外的其它代码的距离全为100；
步骤4.2，根据输入的距离方阵计算所有有效数据样本的平均距离avgDis；
步骤4.3，开始采用均链接方法的层次聚类，均链接的方法是在每一次聚类过程中，将簇与簇之间平均距离最小的两个簇归为一簇，求出距离方阵中最小平均距离所在行列；
步骤4.4，设置聚类终止条件：判断任意簇簇内距离是否大于avgDis，若否，直接进行步骤4.5；若是，判断最小平均距离所在行列的两个样本所在的簇是否都满足簇内元素数目小于等于2，若满足则进行步骤4.5，否则计算此时这两个簇的簇内距离方差和var与两个簇所有元素间距离的方差newvar，若newvar的值大于var，则整个聚类算法终止，否则进行步骤
4.5；
步骤4.5，将最小平均距离所在行列对应样本所在的簇归为一簇；
步骤4.6，求此时簇与簇之间平均距离，更新存储着样本间两两距离的距离方阵；
步骤4.7，重复步骤4.3到4.6步直到聚类终止。
一种基于序列结构的程序代码聚类方法
技术领域
背景技术
发明内容
附图说明
具体实施方式
char 0.0 1.0 1.0 1.0 1.0 1.0 1.0 0.0 1.0
A 0.0 1.0 1.0 1.0 1.0 1.0 1.0 0.0 1.0
int 0.5 0.0 0.0 0.0 0.0 0.0 0.0 0.125 0.0
A 0.0 1.0 1.0 1.0 1.0 1.0 1.0 0.0 1.0
return 0.0 1.0 1.0 1.0 1.0 1.0 1.0 0.0 1.0
countOfLetter 0.25 0.0 0.0 0.0 0.0 0.0 0.0 0.375 0.0
countOfWord 0.2 0.0 0.0 0.0 0.0 0.0 0.0 0.375 0.0
getchar 0.0 1.0 1.0 1.0 1.0 1.0 1.0 0.0 1.0
0 0.25 0.0 0.0 0.0 0.0 0.0 0.0 0.125 0.0
length 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.25 0.0
countOfDigit 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.125 0.0
} 0.0 1.0 1.0 1.0 1.0 1.0 1.0 0.0 1.0
9 0.0 1.0 1.0 1.0 1.0 1.0 1.0 0.0 1.0
ch 0.3 0.0 0.0 0.0 0.0 0.0 0.0 0.4 0.0
{ 0.0 1.0 1.0 1.0 1.0 1.0 1.0 0.0 1.0
z 0.0 1.0 1.0 1.0 1.0 1.0 1.0 0.0 1.0
Z 0.0 1.0 1.0 1.0 1.0 1.0 1.0 0.0 1.0
char 1.0 0.0 0.0 0.0 0.0 1.0 0.25 0.1 1.0
A 1.0 0.0 0.0 0.0 0.0 1.0 0.25 0.1 1.0
int 0.0 0.286 0.0 0.2 0.25 0.0 0.25 0.0 0.0
A 1.0 0.0 0.0 0.0 0.0 1.0 0.25 0.1 1.0
return 1.0 0.0 0.0 0.0 0.0 1.0 0.25 0.1 1.0
countOfLetter 0.0 0.143 0.2 0.4 0.5 0.0 0.25 0.1 0.0
countOfWord 0.0 0.429 0.4 0.2 0.4 0.0 0.2 0.2 0.0
getchar 1.0 0.0 0.0 0.0 0.0 1.0 0.25 0.1 1.0
0 0.0 0.125 0.375 0.125 0.125 0.0 0.25 0.0 0.0
length 0.0 0.143 0.2 0.6 0.25 0.0 0.25 0.1 0.0
countOfDigit 0.0 0.143 0.4 0.2 0.25 0.0 0.25 0.1 0.0
} 1.0 0.0 0.0 0.0 0.0 1.0 0.25 0.1 1.0
9 1.0 0.0 0.0 0.0 0.0 1.0 0.25 0.1 1.0
ch 0.0 0.4 0.0 0.1 0.3 0.0 0.1 0.5 0.0
{ 1.0 0.0 0.0 0.0 0.0 1.0 0.25 0.1 1.0
z 1.0 0.0 0.0 0.0 0.0 1.0 0.25 0.1 1.0
Z 1.0 0.0 0.0 0.0 0.0 1.0 0.25 0.1 1.0
F11 0.7321 0.3734 0.5327 0.4573
F12 0.3245 0.4873 0.6833 0.7146
F13 0.4365 0.5725 0.6392 0.8214
169。代入公式(2)求得程序代码W1和W3的相似度为0.7075。
| 标题 | 发布/更新时间 | 阅读量 |
|---|---|---|
| 基于正交标识的WSN数据传输路径溯源方法及系统 | 2020-05-08 | 816 |
| 一种面向硬件逻辑设计的需求建模与验证方法 | 2020-05-12 | 700 |
| 一种shader语言多平台编译发布系统及方法 | 2020-05-14 | 215 |
| 一种中医细粒度证候名分割的远程监督方法 | 2020-05-15 | 348 |
| SCD虚端子推导现场一次设备主接线图的方法 | 2020-05-17 | 298 |
| 基于深度神经网络的WebShell检测方法及其系统 | 2020-05-12 | 309 |
| 帧内预测及帧内模式译码 | 2020-05-13 | 916 |
| 一种文本分类方法及系统 | 2020-05-11 | 142 |
| 基于关键词Trie树消除GCC抽象语法树冗余的方法 | 2020-05-13 | 921 |
| 交叉分量线性建模中的下采样 | 2020-05-13 | 349 |
高效检索全球专利专利汇是专利免费检索,专利查询,专利分析-国家发明专利查询检索分析平台，是提供专利分析，专利查询，专利检索等数据服务功能的知识产权数据服务商。
我们的产品包含105个国家的1.26亿组数据，免费查、免费专利分析。
专利汇分析报告产品可以对行业情报数据进行梳理分析，涉及维度包括行业专利基本状况分析、地域分析、技术分析、发明人分析、申请人分析、专利权人分析、失效分析、核心专利分析、法律分析、研发重点分析、企业专利处境分析、技术处境分析、专利寿命分析、企业定位分析、引证分析等超过60个分析角度，系统通过AI智能系统对图表进行解读，只需1分钟，一键生成行业专利分析报告。
