软件克隆检测可以识别相似或相同的代码,其一直以来都是软件工程中的一个活跃的研究课题,在过去20年中引起了广泛的关注。近年来,基于机器学习的克隆检测器,特别是基于深度学习的检测器,在克隆检测方面表现出令人印象深刻的能力。由于机器学习技术的进步,在代码克隆检测中长期存在的语义相似性克隆检测问题似乎已经被克服。因此,本文的主要目标是通过代码语义保护的等价代码转换来研究最近基于机器学习的检测器的鲁棒性。在本工作中,首先实现了 15个简单的代码等价转换运算符,并结合常用的启发式方法（即随机搜索、遗传算法和马尔科夫链蒙特卡洛）以及提出的一种最优的基于深度强化学习的序列生成策略来进行源代码等价转换,以有效地指导生成可能逃避检测的克隆的搜索过程。然后,用原始代码和生成的克隆代码构成克隆对来评估基于机器学习的检测器。本文实现了一个名为CloneGen（Clone Generate,克隆发生器）的框架,在其中实现了提出所有方法。在评估CloneGen的时候,在CloneGen的帮助下进行源代码语义保全转换,生成代码克隆来评估三个最先进的基于机器学习的检测器和四个传统检测器。通过实验表明,尽管现有的克隆检测器取得了显著的成功,但这些检测器内的机器学习模型仍然不能区分由CloneGen中的等价转换产生的众多克隆。此外,实验发现使用CloneGen产生的克隆对基于机器学习的克隆检测器进行对抗性训练可以提高其克隆检测的鲁棒性和准确性。同时,与常用的启发式方法相比,DRLSG策略在生成代码克隆以降低基于机器学习的检测器的检测精度方面显示出最佳效果。通过实验揭示了最新的基于机器学习的源代码克隆检测工具的一个可以解释但总是被忽视的鲁棒性问题。本文的主要工作内容如下:（1）实现了 15个代码转换操作符来改变代码片段,同时保持语义的完整,可以评估最先进的基于机器学习的克隆检测器的鲁棒性。（2）设计和实现了 CLONEGEN工具,使用编码模式（比特向量）来定位变化的代码,该工具支持多种启发式的搜索策略和基于强化学习的策略来指导代码等价转换。（3）提出并实现了一种基于强化学习的代码等价变换搜索策略,该策略在不同的程序位置分派多个轻量级但有效的代码转换操作符来指导源代码的等价变换。（4）利用CloneGen生成克隆样本对基于机器学习的克隆检测工具进行对抗性训练,可以显著提高其鲁棒性。