Compilers and Static Analyzers 编译器与静态分析

编译器将源代码（Source code） 转换为机器代码（Machine Code）。其中的流程框架是：

  • 词法分析器（Scanner），结合正则表达式，通过词法分析（Lexical Analysis）将 source code 翻译为 token。
  • 语法分析器（Parser），结合上下文无关文法（Context-Free Grammar），通过语法分析（Syntax Analysis），将 token 解析为抽象语法树（Abstract Syntax Tree, AST）
  • 语义分析器（Type Checker），结合属性文法（Attribute Grammar），通过语义分析（Semantic Analysis），将 AST 解析为 decorated AST
  • Translator，将 decorated AST 翻译为生成三地址码这样的中间表示形式（Intermediate Representation, IR），并基于 IR 做静态分析（例如代码优化这样的工作）。
  • Code Generator，将 IR 转换为机器代码。

有人要问了，为什么不直接拿 source code 做静态分析？这是因为我们得先确保这是一份合格的代码，然后再进行分析。分析代码合不合格，这是 trivial (琐碎)的事情，由前面的各种分析器去做就行了，我们要做的是 non-trivial 的事情。

AST vs. IR

为什么在静态分析的时候，使用 IR 而非 AST 呢？

image-20220105105502801

这是因为：

  • AST 是 high-level 且接近语法结构的，而 IR 是 low-level 且接近机器代码的。
  • AST 是依赖于语言的，IR 通常是独立于语言的：三地址码会被分析器重点关注，因为可以将各种前端语言统一翻译成同一种 IR 再加以优化。
  • AST 适合快速类型检查，IR 的结构更加紧凑和统一：在 AST 中包含了很多非终结符所占用的结点（body, assign 等），而 IR 中不会需要到这些信息。
  • AST 缺少控制流信息，IR 包含了控制流信息：AST 中只是有结点表明了这是一个 do-while 结构，但是无法看出控制流信息；而 IR 中的 goto 等信息可以轻易看出控制流。
  • 因此 IR 更适合作为静态分析的基础。
AST 相对来说比较**高级**，可读性比较高对象开发者，而相反IR更倾向于机器。AST规范不统一，每一种语言大致相同但不完全一样，而IR是统一的规范的。

IR: Three-Address Code

三地址码（3-Address Code）通常没有统一的格式。在每个指令的右边至多有一个操作符。

image-20220105105745115

三地址码为什么叫做三地址码呢？因为每条 3AC 至多有三个地址。而一个「地址」可以是：

  • 名称 Name: a, b
  • 常量 Constant: 3
  • 编译器生成的临时变量 Compiler-generated Temporary: t1, t2

常见的 3AC 包括：

  • x = y bop z：双目运算并赋值，bop = binary operator
  • x = uop z：单目运算并赋值，uop = unary operator
  • x = y：直接赋值
  • goto L：无条件跳转，L = label
  • if x goto L：条件跳转
  • if x rop y goto L：包含了关系运算的条件跳转，rop = relational operator

Static Single Assignment 静态单赋值（SSA）

所谓静态单赋值（SSA），就是让每次对变量x赋值都重新使用一个新的变量xi，并在后续使用中选择最新的变量。

3AC        | SSA
p = a + b    p1 = a + b
q = p - c    q1 = p1 - c
p = q * d    p2 = q1 * d
q = p + q    q2 = p2 + q1

但是这样一来，肯定会因为不同控制流汇入到一个块，导致多个变量备选的问题：

这里解决的办法就是使用一个合并操作符$\phi$（phi-function），根据控制流的信息确定使用哪个变量。

为什么要用 SSA 呢？

  • 控制流信息间接地集成到了独特变量名中
    • 如果有些对控制流不敏感的简化分析，就可以借助于 SSA
  • 定义与使用是显式的
    • 更有效率的数据存取与传播，有些优化在基于 SSA 时效果更好（例如条件常量传播，全局变量编号等）

为什么不用 SSA 呢？

  • SSA 会引入过多的变量和 phi 函数
  • 在转换成机器代码时会引入低效率的问题
某些具体场景还是会用到SSA，比例说llvm是ssa，一些领域特定的编程语言也是ssa。

Basic Blocks & Control Flow Graphs 基本块 & 控制流图

控制流分析（Control Flow Analysis）通常指的是构建控制流图（Control Flow Graph, CFG），并以 CFG 作为基础结构进行静态分析的过程。

image-20220105111922258

CFG 的一个结点可以是一条单独的 3AC，但是更常见的是一个基本块（Basic Block）。所谓基本块，就是满足以下性质的连续 3AC：

  • 只能从块的第一条指令进入。
  • 只能从块的最后一条指令离开。

image-20220105112133363

如何构建一个基本块呢？

  • 输入：程序 P 的一系列 3AC
  • 输出：程序 P 的基本块
  • 方法
    1. 决定 P 的 leaders
      • P 的第一条指令就是一个 leader
      • 跳转的目标指令是一个 leader
      • 跳转指令的后一条指令，也是一个 leader
    2. 构建 P 的基本块
      • 一个基本块就是一个 leader 及其后续直到下一个 leader 前的所有指令。

除了基本块，CFG 中还会有块到块的边。块 A 和块 B 之间有一条边，当且仅当：

  • A 的末尾有一条指向了 B 开头的跳转指令。
  • A 的末尾紧接着 B 的开头

    ，且 A 的末尾不是一条无条件跳转指令。

image-20220105152735721

注意到每个基本块和开头指令的标号唯一对应，因此很自然地，我们可以将跳转指令的目标改为基本块的标号而非指令标号：

image-20220105152758818

有了这些定义，我们就可以了解一些概念：

  • 若 A -> B，则我们说 A 是 B 的前驱（predecessor），B 是 A 的后继（successor）
  • 除了构建好的基本块，我们还会额外添加两个结点，「入口（Entry）」和「出口（Exit）」
    • 这两个结点不对应任何 IR
    • 入口有一条边指向 IR 中的第一条指令
    • 如果一个基本块的最后一条指令会让程序离开这段 IR，那么这个基本块就会有一条边指向出口。

这样，我们就完成了一个控制流图的构建：

image-20220105174001342