按照Michele等人的论文，加下来应该提取的特征是流程图和二进制特征，但是由于流程图提取的过程中出现很多问题，所以今天我先把二进制代码特征提取看了下。

实验背景：

获取scala文件编译的class文件：

之前在提取第一、二中特征的时候，没有用到class文件，这时突然发现源码里面没有class文件，咨询了一下老师，说有两种方法，一个是编译源码，得到最终的class文件，另一种直接找jar包，jar包里面有已经编译好的class文件，果断采取第二种方法，第一种方法太麻烦，而且编译其他人的程序来说没有特定的说明文档很难成功，于是在网上下载了spark相应的jar包，解压缩后查看里面的class文件。 spark项目用到的所有的jar包：

解压spark-core.jar进行试验，由于jar过多，我就直接选了一个spark-core来进行试验。


在这里我发现了一个问题，那就是一个scala文件生成的class文件不止一个，他可以生成2个甚至6、7个，然后我上网查了一下，网上也没有多靠谱的解答，只是有人做了实验，本名的class文件里面的方法是全的，包含$的class文件在运行的时候本名的class文件会调用它。
我自己做的实验提取的两个class文件的内容：
Accumulable.scala源文件：

Accumulable.class解析出来的文件：

Accumulable$$annonfun$1.class解析出来的文件：

而且经过跑出来的数据来看，大多数衍生出来的class文件都有一个apply()函数，但是源文件（scala)里面并没有这个函数，基于此，我先暂时提取本名class里面的特征，没有提取衍生class里面的特征。

实验步骤

提取特征：

按照论文中给的方法进行试验，就是利用java的反编译工具javap来提取二进制特征：
论文提及的方法：

论文提及的方法已经给出来，但是他没有给出提取的代码，只给了一行命令行的命令，所以还得编写一个提取特征的程序，程序主要有两个部分组成：
### 调用cmd，执行javap：

### 对返回的结果进行字符串的分割以及特征的提取：
最终提取的数据的形式为：

带入autoencode系统中进行训练

在本次实验中，spark-core的jar包里面一共提取了1685条数据，在这里我进行了数据筛选，低于20个词的数据都没有作为数据集，带入之前系统中进行训练，共得到630对克隆对： 总数据：

得到的clone对：

clone对的例子：
D:\Git\spark\core\src\main\scala\org\apache\spark\Accumulable.scala

D:\Git\spark\core\src\main\scala\org\apache\spark\util\AccumulatorV2.scala

实验总结：

这次实验证明了确实可以从二进制方面来考虑判断clone,但是我没对数据进行分析，暂时还没有发现那种功能相似但是代码不一样的clone对(也就是第四种类型)。
明天争取把控制流的特征提取出来，观察一下。
加油！！