【静态分析】静态分析笔记04 - 数据流分析(理论)

参考:

【课程笔记】南大软件分析课程4——数据流分析基础(课时5/6) - 简书

---------------------------------------------------------------------------

1. 迭代算法

本质:常见的数据流迭代算法,目的是通过迭代计算,最终得到一个稳定的不变的解。

(1)理论

定义1:给定有 k 个节点(基本块)的 CFG,迭代算法就是在每次迭代时,更新每个节点 n 的OUT[n]。

定义2:设数据流分析的值域是 V,可定义一个 k - 元组,作为集合(记为)的一个元素,表示每次迭代后 k 个节点的值。

定义3:每一次迭代可看作是映射到新的,通过 转换规则 和 控制流 来映射,记作函数

迭代算法本质:通过不断迭代,直到相邻两次迭代的 k - 元组值一样,算法结束。

(2)图示

不动点:当Xi = F(Xi)时,就是不动点。

问题

  • 迭代算法是否一定会停止(到达不动点)?
  • 迭代算法如果会终止,会得到几个解(几个不动点)?
  • 迭代几次会得到解(到达不动点)?

2. 偏序(Partial Order)

定义:给定偏序集(P, ),是集合 P 上的二元关系,若满足以下性质则为偏序集:

  • xP, xx(自反性 Reflexivity)
  • x,yP, xyyxx=y(对称性 Antisymmetry)
  • x,yP, xyyzxz(传递性 Transitivity)

例子

  • P 是整数集,表示,是偏序集;若表示 <,则显然不是偏序集。
  • P 是英文单词集合,表示子串关系,是偏序集(可以存在两个元素不具有偏序关系,不可比性)。

3. 上下界(Upper and Lower Bounds)

(1)定义

定义:给定偏序集(P, ),且有 P 的子集 S ⊆ P:

  • xS, xu, 其中 uP,则 u 是子集 S 的上界 (注意,u并不一定属于S集
  • xS, lx, 其中 lP,则 l 是 S 的下界

最小上界:least upper bound(lub 或者称为 join),用 ⊔S 表示。

定义:对于子集 S 的任何一个上界 u,均有 ⊔S⊑u。

最大下界:greatest lower bound(glb 或者称为 meet),用 ⊓S 表示。

定义:对于子集 S 的任何一个下界 l,均有 l⊑⊓S。

(2)示例

若 S 只包含两个元素 a、b(S = {a, b}),那么上确界可以表示为 a⊔b,下确界可以表示为 a⊓b。

(3)特性

并非每个偏序集都有上下确界。

如果存在上下确界,则是唯一的。(利用传递性和反证法即可证明)

4. 格(Lattice),(半格)Semilattice,全格,格点积(Complete and Product Lattice)

都是基于上下确界来定义的。

(1)格

定义:给定一个偏序集 (P, ⊑),∀a, b∈P,如果存在 a⊔b 和 a⊓b,那么就称该偏序集为格。(偏序集中的任意两个元素构成的集合均存在最小上界和最大下界,那么该偏序集就是格)

例子

  • (S, ⊑) 中 S 是整数子集,⊑是,(S, ⊑)是格;
  • (S, ⊑) 中 S 是英文单词集,⊑表示子串关系,(S, ⊑)不是格,因为单词 pin 和 sin 就没有上确界;
  • (S, ⊑) 中 S 是 {a, b, c} 的幂集,⊑表示子集,(S, ⊑)是格。

(2)半格

定义:给定一个偏序集 (P, ⊑),∀a, b∈P:
当且仅当 a⊔b 存在(上确界),该偏序集叫做 join semilatice;

当且仅当 a⊓b 存在(下确界),该偏序集叫做 meet semilatice。

(3)全格

定义:对于格 (S, ⊑) 的任意子集 S,⊔S 上确界和 ⊓S 下确界都存在,则为全格(complete lattice)。

例子

  • P 是整数集,⊑是,P 不是全格,因为 P 的子集正整数集没有上确界。
  • (S, ⊑) 中 S 是 {a, b, c} 的幂集,⊑表示子集,(S, ⊑) 是全格。

性质

1. 有穷的格点必然是全格。

2. 全格一定有穷吗? 不一定,如实数界 [0, 1]。

(4)格点积

5. 数据流分析框架 via Lattice

数据流分析框架 (D, L, F) :

  • D — 方向
  • L — 格点(值域 V)
  • F — 转换规则 VV。

数据流分析可以看做是迭代算法格点利用转换规则meet/join 操作

6. 单调性与不动点定理(Monotonicity and Fixed Point Theorem)

目标问题:迭代算法一定会停止(到达不动点)吗?

(1)单调性

定义:函数f: L → L,满足 ∀x, y∈L,x⊑y ⇒ f(x)⊑f(y),则为单调的。

(2)不动点理论

定义:给定一个完全格 (L, ⊑),如果f: L → L是单调的,并且L有限,

那么我们能得到最小不动点,通过迭代:直到找到最小的一个不动点;

同理,我们能得到最大不动点,通过迭代:直到找到最大的一个不动点。

7. 迭代算法转化为不动点理论

问题:我们如何在理论上证明迭代算法有解有最优解何时到达不动点

那就是将迭代算法转化为不动点理论。因为不动点理论已经证明了,单调、有限的完全格,存在不动点,且从 ⊤ 开始能找到最大不动点,从 ⊥ 开始能找到最小不动点。

目标:证明迭代算法是一个完全格 (L, ⊑),是有限的,单调的。

(1)证明迭代算法是一个完全格

根据第5小节,迭代算法每个节点(基本块)的值域相当于一个 lattice,每次迭代的 k 个基本块的值域就是一个 k - 元组。k - 元组可看作格点积。根据格点积性质:若中每一个 lattice 都是完全(有限)的,则也是完全(有限)的。

(2)L是有限的

迭代算法中,值域是 0/1,是有限的,则 lattice 有限,则也有限。

(3)F是单调的

函数F:BB 中 转换函数 fi:L → L 与 BB 分支之间的控制流 影响(汇聚是join ⊔ / meet ⊓ 操作,分叉是拷贝操作)。

  1. 转换函数:BB 的 gen、kill 是固定的,值域一旦变成 1,就不会变回 0,显然单调。
  2. join/meet 操作:L × L → L 。证明:∀x, y, z∈L,且有 x⊑y 需要证明 x⊔z⊑y⊔z。

总结:迭代算法是完全 lattice,且是有限、单调的,所以一定有解、有最优解。

(4)算法何时到达不动点?

定义lattice 高度 — 从 lattice 的 top 到 bottom 之间最长的路径。

最坏情况迭代次数:设有 n 个块,每次迭代只有 1 个 BB 的 OUT/IN 值的其中 1 位发生变化,则最多迭 (n × h) 次。(可以看成每个块的值在上图向上爬,每个块要爬 h 次)

8. 从 lattice 的角度看 may/must 分析

说明:may 和 must 分析算法都是从不安全到安全(是否安全取决于 safe-aprroximate 过程),从准确到不准确。

(1)may分析

以 Reaching Definitions 分析为例:

  • 开始,表示所有定义都不可达,是不安全的结果(因为这个分析的应用目的是为了查错,查看变量是否需要初始化,并对每个值为 1 的 definition 进行初始化表示不需要对任何变量进行初始化,这是不安全的,可能导致未初始化错误)。

  • 表示需要对每个变量都进行初始化,非常安全!但是这句话没有用,我都要初始化的话还做这个分析干嘛?

  • Truth:表明最准确的验证结果,假设 {a, c} 是 truth,那么包括其以上的都是 safe 的,以下的都是 unsafe。

,得到的最小不动点最准确,离Truth最近。上面还有多个不动点,越往上越不准。

(2)must分析

以 available expressions 分析为例:

  • 开始,表示所有表达式可用。如果用在表达式计算优化中,那么有很多已经被重定义的表达式也被优化了(实际上不能被优化),那么该优化就是错误的,不安全
  • 表示没有表达式可用,都不需要优化,很安全!但没有用。
  • ,就是从不安全到安全,存在一个 Truth,代表准确的结果。
  • ,达到一个最大不动点,离 truth 最近的最优解。

迭代算法转化到 lattice 上,may/must 分析分别初始化为最小值和最大值,最后求最小上界/最大下界。

9. 分配性(Distributivity)和MOP

目的:MOP(meet-over-all-paths)衡量迭代算法的精度。

(1)概念

定义:分别得出每条路径的 OUT,最终将所有路径的 OUT 一起来进行 join/meet 操作,本质求这些值的最小上界 / 最大下界。

路径 P = 在 cfg 图上从 entry 到基本块 si 的一条路径(P = Entry → s1 → s2 → ... → si )。

路径 P 上的转移函数 Fp:该路径上所有语句的转移函数的组合fs1,fs2,... ,fsi-1。

MOP准确性:有些路径原本不会被执行而被计算,所以不准确;若路径包含循环,或者路径爆炸,所以实操性不高,只能作为理论的一种衡量方式。

(2)MOP vs 迭代算法

证明

  1. 根据最小上界的定义,有 x⊑x⊔y 和 y⊑x⊔y。

  2. 由于转换函数是单调的,则有 F(x)⊑F(x⊔y) 和 F(y)⊑F(x⊔y),所以 F(x⊔y) 就是 F(x) 和 F(y) 的上界。

  3. 根据定义,F(x)⊔F(y) 是 F(x) 和 F(y) 的最小上界。

  4. 所以 F(x)⊔F(y)⊑F(xy)。

结论:所以,MOP更准确。若 F 满足分配律,则迭代算法和 MOP 精确度一样 F(xy) = F(x)⊔F(y)。一般,对于控制流的 join/meet,是进行集合的交或并操作,满足分配律。

10. 常量传播 (constant propagation)

问题描述:在程序点 p 处的变量 x,判断 x 是否一定指向常量值。

类别must分析

表示:CFG 每个节点的 OUT 是 pair(x, v)的集合,表示变量 x 是否指向常数 v。

(1)数据流分析框架(D, L, F)

(1)D:forward

(2)L:lattice

变量值域:所有实数。

meet 操作

  • NAC ⊓ v = NAC(非常量)
  • UNDEF ⊓ v = v(未初始化的变量不是我们分析的目标)
  • c ⊓ v = ?
    • c ⊓ c = c
    • c1 ⊓ c2 = NAC

不满足分配律

(2)F 转换函数

OUT[s] = gen U (IN[s] - {(x, _)})

对所有的赋值语句进行分析(不是赋值语句则不管,用 val(x) 表示 x 指向的值):

(3)性质

不满足分配律

可以发现,MOP更准确。

11. Worklist算法

本质:对迭代算法进行优化,采用队列来存储需要处理的基本块,减少大量的冗余的计算。

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:http://www.mzph.cn/news/814726.shtml

如若内容造成侵权/违法违规/事实不符,请联系多彩编程网进行投诉反馈email:809451989@qq.com,一经查实,立即删除!

相关文章

安卓ARCore:增强现实技术在Android平台上的实现及其应用

摘要 本文旨在全面剖析安卓ARCore这一Google针对Android设备开发的增强现实&#xff08;AR&#xff09;平台&#xff0c;阐述其工作原理、核心技术、性能优势与局限性以及实际应用场景&#xff0c;并辅以代码示例以增进理解。ARCore通过先进的计算机视觉技术和传感器数据融合&a…

小米暑期实习NLP算法工程师面试题8道|含解析

节前&#xff0c;我们组织了一场算法岗技术&面试讨论会&#xff0c;邀请了一些互联网大厂朋友、参加社招和校招面试的同学&#xff0c;针对算法岗技术趋势、大模型落地项目经验分享、新手如何入门算法岗、该如何准备、面试常考点分享等热门话题进行了深入的讨论。 基于大模…

微前端框架主流方案剖析

微前端架构是为了在解决单体应用在一个相对长的时间跨度下,由于参与的人员、团队的增多、变迁,从一个普通应用演变成一个巨石应用(Frontend Monolith)后,随之而来的应用不可维护的问题。这类问题在企业级 Web 应用中尤其常见。 微前端框架内的各个应用都支持独立开发部署、不…

实时智能应答3D数字人搭建2

先看效果&#xff1a; 3d数字人讲黑洞 根据艾媒咨询数据&#xff0c;2021年&#xff0c;中国虚拟人核心产业规模达到62.2亿元&#xff0c;带动市场规模达到1074.9亿元&#xff1b;2025年&#xff0c;这一数据预计将达到480.6亿元与6402.7亿元&#xff0c;同比增长迅猛。数字人可…

C++(3) —— 核心编程

一、内存区分模型 1.1 程序运行前 #include<iostream> using namespace std;// 全局变量 int g_a 10; int g_b 20;// const修饰的全局变量&#xff0c;全局常量 const int c_g_a 10; const int c_g_b 20;int main() {// 全局区// 全局变量、静态变量、常量// 创建普通…

一个巧用委托解决的问题(C#)

个人觉得是委托应用的一个很好的例子&#xff0c;故做一下分享&#xff0c;希望能帮助到您&#xff0c;内容比较简单&#xff0c;大佬可以跳过。我是做桌面医疗软件开发的&#xff0c;前段时间在做一个需求。在签发检验项目医嘱时&#xff0c;调用第三方接口&#xff0c;然后带…

Mac环境简化RSA密钥生成/校验命令

文章目录 生成RSA密钥对验证RSA密钥对 生成RSA密钥对 正常RSA密钥对生成操作命令 openssl genrsa -out rsa_private_key.pem 2048 openssl rsa -pubout -in rsa_private_key.pem -out rsa_public_key.pem通过添加环境变量来简化RSA密钥对生成操作 设置环境变量.zshrc或.bash_…

实验6-1:求整数位数(循环结构)

实验6-1&#xff1a;求整数位数&#xff08;循环结构&#xff09; 输入一个不多于9位的正整数&#xff0c;要求一、逆序输出各位数字&#xff0c;二、输出它是几位数。【输入形式】 正整数【输出形式】 逆序输出各位数字 几位数 【样例输入】 234567891 【样例输出】 1 9 8 7 …

GPT演变:从GPT到ChatGPT

Transformer 论文 Attention Is All You Need The dominant sequence transduction models are based on complex recurrent or convolutional neural networks in an encoder-decoder configuration. The best performing models also connect the encoder… https://arxiv.o…

Java基础常见知识点面试总结

文章目录 1. 变量、数据类型转换、运算符1.1 变量1.2 数据类型转换1.2.1强转的注意事项 1.3 进制的转换1.4 位运算符1.5 运算符1.6 三元运算符 2. 流程控制2.1 键盘录入_Scanner2.2 Random随机数2.3 switch(选择语句)2.4 分支语句2.5 循环语句 3. 数组3.1 数组的定义3.2 数组操…

乐趣Python——文件与数据:挥别乱糟糟的桌面

各位朋友们&#xff0c;今天我们要开启一场非凡的冒险——进入文件操作的世界&#xff01;你知道吗&#xff0c;在你的电脑里&#xff0c;有一个叫做“文件系统”的迷宫&#xff0c;里面藏着各种各样的文件和文件夹&#xff0c;它们就像是迷宫中的宝藏。但有时候&#xff0c;这…

wpf下如何实现超低延迟的RTMP或RTSP播放

技术背景 我们在做Windows平台RTMP和RTSP播放模块对接的时候&#xff0c;有开发者需要在wpf下调用&#xff0c;如果要在wpf下使用&#xff0c;只需要参考C#的对接demo即可&#xff0c;唯一不同的是&#xff0c;视频流数据显示的话&#xff0c;要么通过控件模式&#xff0c;要么…

ARM-SC2440

1ARM 2ARM汇编指令集 2.1 2.1.1【MOV】 area reset, code, readonlycode32entrymov r0, #1end2.1.2【SUB】 area reset, code, readonlycode32entrymov r0, #0x02sub r1, r0, #1end2.1.3【ORR】 preserve8area reset, code, readonlycode32entrymov r0, #0X0Fmov r1, #2orr …

前端面试问题汇总 - 工程管理工具篇

1. webpack常用loader有哪些&#xff1f; babel-loader&#xff1a; 用于将 ES6 代码转换为向后兼容的 JavaScript 代码&#xff0c;以便在旧版本的浏览器中运行。css-loader&#xff1a; 用于加载 CSS 文件&#xff0c;并解析其中的 import 和 url 引用关系。style-loader&…

SpringMVC(一)【入门】

前言 学完了大数据基本组件&#xff0c;SpringMVC 也得了解了解&#xff0c;为的是之后 SpringBoot 能够快速掌握。SpringMVC 可能在大数据工作中用的不多&#xff0c;但是 SSM 毕竟是现在就业必知必会的东西了。SpringBoot 在数仓开发可能会经常用到&#xff0c;所以不废话学吧…

神经网络中的权重初始化

神经网络的权重初始化 从神经网络输入和输出尽量都要有相同的方差出发&#xff0c;但均值很难保持一致&#xff08;由于有一些非负的激活函数&#xff09;。而且现有的标准化策略也是起到了同样的作用&#xff0c;如BN&#xff0c;LN等&#xff0c;都是努力将中间层的输出的方…

Mapmost Alpha:开启三维城市场景创作新纪元

&#x1f935;‍♂️ 个人主页&#xff1a;艾派森的个人主页 ✍&#x1f3fb;作者简介&#xff1a;Python学习者 &#x1f40b; 希望大家多多支持&#xff0c;我们一起进步&#xff01;&#x1f604; 如果文章对你有帮助的话&#xff0c; 欢迎评论 &#x1f4ac;点赞&#x1f4…

vue3中使用tailwind.css注意

中文官网 教程 使用PostCSS 注意&#xff01;&#xff01;&#xff01; 成功的关键 vite配置 import tailwindcss from tailwindcssexport default defineConfig({// ...css: {postcss: {plugins: [tailwindcss,]}},// ... })

2024年4月8日腾讯云故障复盘及情况说明

2024年4月8日15点23分&#xff0c;腾讯云团队收到告警信息&#xff0c;云API服务处于异常状态&#xff1b;随即在腾讯云工单、售后服务群以及微博等渠道开始大量出现腾讯云控制台登录不上的客户反馈。 经过故障定位发现&#xff0c;客户登录不上控制台正是由云API异常所导致。云…

面试必备:3个技巧提升表达能力,轻松拿Offer!

在职场竞争中&#xff0c;面试是求职者迈向成功的重要一步。想要在众多竞争者中脱颖而出&#xff0c;获得面试官的青睐并拿下心仪岗位的offer&#xff0c;良好的表达能力不可或缺。今天&#xff0c;我们就一起探讨如何在面试中有效提升自己的表达能力&#xff0c;为成功铺路。 …