Java 代码匹配算法

我有两个java源代码文件，它们做相同的事情，提供相同的输出。它们所包含的代码略有不同，如下例所示。我需要一个算法来确定这两个java代码文件之间的相似性（相同性）

示例

/* First file */
public int inc (int n) {
    return ++n;
}

/* Second file */
public int inc (int n) {
    return (n+1);
}

是否有一种算法可以显示这两个文件做相同的事情

---

提前感谢

正如艾伦·图灵（Alan Turing）在近一个世纪前所证明的那样，不存在能够确定函数的求值是否会在有限时间内完成的通用算法（参见停止问题）

---

这意味着没有通用的算法可以决定两段代码是否具有相同的输出。另一方面，如果你假设函数总是在有限时间内完成，那么一个简单的算法可以满足你的需要，它只是简单地为所有可能的输入运行有问题的代码。

不幸的是，没有这样的算法存在

为什么?？见：

特别是标有“等价问题不可判定”的部分

---

为了真正理解为什么熟悉可判定性、图灵机和各种其他类型的自动机会有帮助，忽略所有复杂的细节，这里有一个简单的学校级算法

测试1：首先计算两个程序中使用的变量数量。查看它们之间的差异，并根据您的需要和正在比较的程序确定通过测试的阈值差异

测试2：然后确定两个程序中最多使用次数的变量的数据类型，如果数据类型不同，则在大多数情况下，程序会不同，但情况并非总是如此

测试3：您可以比较它们的圈复杂度。这也有助于确定相似性，因为它告诉您程序中独立路径的数量

可以进行更多的测试，如比较块或函数调用的数量，您可以将相似性比率设置为等于通过测试的百分比

---

当然，这个算法很幼稚，会有失败的测试用例，但从基本知识和一开始，我认为它应该可以做得很好。如果您希望编写一个检测类似工作的程序，您可以尝试搜索软件

Turnitin

的工作方式

虽然不可能得出一个适用于所有情况的算法。您可以采用一些变通解决方案

您可以为某些单词/代码创建“同义词”。示例

x++

类似于

x++=1

，

x=x+1

，

++x

等等。但是请注意，有时

x++

和

++x

在编码中的含义完全不同。因此，您的程序永远无法100%准确地判断相似性

您的“同义词”数据库必须足够大，以处理各种情况

然而，请注意，人们总是可以通过混淆他们的代码或添加混淆来绕过您的检测

示例：他们可以编写

x=（x+2）-1

，而不是编写

x++

，这意味着同一件事，无论同义词数据库有多大，你都无法理解这一点

如果你的程序不仅检查代码，还检查论文和期刊。你可以对写作模式进行文本分析。（例如，使用字长频率计数）。一些作者可能更喜欢使用较短的词，而一些作者则更喜欢使用较长的词

有许多其他的分析可以让你的程序成为一个动态的。尽管没有这样的算法，但编写这样的程序来检测剽窃行为绝对是可能的

---

您可以始终检查输出，查看其是否相同。同样的事情可以通过多种方式实现。这取决于如何实际实施它。在一般情况下，确定两个程序（对于所有输入）是否做相同的事情是一个无法确定的问题（我相信）。不过，在特定情况下，您可能会做得更好。例如，如果你能证明你的代码没有副作用（即是纯的），那么你可以对所有的输入值使用暴力并进行比较。这取决于你的程序做什么。如果它们生成了一些文本输出（或者结果是偶数），您可以随时比较结果。否则-只需将代码与BeyondCompare进行比较即可。是的，但我如何理解我没有打印结果。@ErionLika:print It假设“所有可能的输入”集合是有限的。考虑字符串/输入流/网络连接作为一个反例。@ OliverCharlesworth，我们甚至不需要走那么远---它停止在20字节左右的范围内是可行的：