Data Flow Analysis

Overview of Data Flow Analysis

数据流分析的核心：How Data Flows on CFG?

将这句话展开来，所谓数据流分析就是：

How application-specific Data (对数据的抽象：+, -, 0 等……) Flows (根据分析的类型，做出合适的估算) through the Nodes (数据如何 transfer, 如 + op + = +) and Edges (控制流如何处理，例如两个控制流汇入一个BB) of CFG (整个程序) ?

不同的数据流分析，有着不同的data abstraction, flow safe-approximation（流动安全近似值）策略，transfer functions&control-flow handlings（转移函数和控制流处理）。

在这里就能明白数据流中的Node、Edge代表的含义，比例CodeQL中就用了这个Node，Edge含义。

Preliminaries of Data Flow Analysis

Input and Output States 输入输出状态

每一条IR的执行，都会使状态从输入状态变成新的输出状态
输入/输出状态与语句前/后的 program point 相关联。

在数据流分析中，我们会把每一个PP关联一个数据流值，代表在该点中可观察到的抽象的程序状态。

关于转移方程约束的概念

分析数据流有前向和后向两种：

关于控制流约束的概念

每条语句 s 都会使程序状态发生改变。

B 的输出自然是其输入在经过多次转换后得到的状态。

而 B 的输入要根据数据流分析的需求，对其前驱应用合适的 meet operator 进行处理。后向分析时亦然。

不会涉及到的概念

**>>>Hint**

* 函数调用 Method Calls * 我们将分析的是过程本身中的事情，即 Intra-procedural。而过程之间的分析，将在 Inter-procedural Analysis 中介绍</br> * 变量别名 Aliases</br> * 变量不能有别名。有关问题将在指针分析中介绍。</br>

Reaching Definitions Analysis 到达定值分析

基本概念

假定 x 有定值 d (definition)，如果存在一个路径，从紧随 d 的点到达某点 p，并且此路径上面没有 x 的其他定值点，则称 x 的定值 d 到达 (reaching) p。
如果在这条路径上有对 x 的其它定值，我们说变量 x 的这个定值 d 被杀死 (killed) 了

到达定值可以用来分析未定义的变量。例如，我们在程序入口为各变量引入一个 dummy （假的）定值。当程序出口的某变量定值依然为 dummy，则我们可以认为该变量未被定义。

对于一条赋值语句 D: v = x op y，该语句生成了 v 的一个定值 D，并杀死程序中其它对变量 v 定义的定值。

到达定值中的数据流值

程序中所有变量的定值。
可以用一个 bit vector 来定义，有多少个赋值语句，就有多少个位。

到达定值的转移方程

从入口状态删除 kill 掉的定值，并加入新生成的定值。
v = x op y，gen v, kill 其它所有的 v

到达定值的数据流处理

任何一个前驱的变量定值都表明，该变量得到了定义。

到达定值的算法

这是一个经典的迭代算法。

首先让所有BB和入口的OUT为空。因为你不知道 BB 中有哪些定值被生成。
当任意 OUT 发生变化，则分析出的定值可能需要继续往下流动，所需要修改各 BB 的 IN 和 OUT。
先处理 IN，然后再根据转移完成更新 OUT。
在 gen U (IN - kill) 中，kill 与 gen 相关的 bit 不会因为 IN 的改变而发生改变，而其它 bit 又是通过对前驱 OUT 取并得到的，因此其它 bit 不会发生 0 -> 1 的情况。所以，OUT 是不断增长的，而且有上界，因此算法最后必然会停止。
因为 OUT 没有变化，不会导致任何的 IN 发生变化，因此 OUT 不变可以作为终止条件。我们称之为程序到达了不动点（Fixed Point）

Live Variables Analysis 活跃变量分析

基本概念

变量 x 在程序点 p 上的值是否会在某条从 p 出发的路径中使用
变量 x 在 p 上活跃，当且仅存在一条从 p 开始的路径，该路径的末端使用了 x，且路径上没有对 x进行覆盖。
隐藏了这样一个含义：在被使用前，v 没有被重新定义过，即没有被 kill 过。

这个算法可以用于寄存器分配，当一个变量不会再被使用，那么此变量就可以从寄存器中腾空，用于新值的存储。

活跃变量中的数据流值

程序中的所有变量
依然可以用 bit vector 来表示，每个 bit 代表一个变量

活跃变量的转移方程和控制流处理

一个基本块内，若 v = exp, 则 def v。若 exp = exp op v，那么 use v。一个变量要么是 use，要么是 def，根据 def 和 use 的先后顺序来决定。
考虑基本块 B 及其后继 S。若 S 中，变量 v 被使用，那么我们就把 v 放到 S 的 IN 中，交给 B 来分析。
因此对于活跃变量分析，其控制流处理是 OUT[B] = IN[S]。
在一个块中，若变量 v 被使用，那么我们需要添加到我们的 IN 里。而如果 v 被定义，那么在其之上的语句中，v 都是一个非活跃变量，因为没有语句再需要使用它。
因此对于转移方程，IN 是从 OUT 中删去重新定值的变量，然后并上使用过的变量。需要注意，如果同一个块中，变量 v 的 def 先于 use ，那么实际上效果和没有 use 是一样的。

活跃变量的算法

我们不知道块中有哪些活跃变量，而且我们的目标是知道在一个块开始时哪些变量活跃，因此把 IN 初始化为空。
初始化的判断技巧：may analysis 是空，must analysis 是 top。

Available Expression Analysis 可用表达式分析

基本概念

x + y 在 p 点可用的条件：从流图入口结点到达 p 的每条路径都对 x + y 求了值，且在最后一次求值之后再没有对 x 或 y 赋值

可用表达式可以用于全局公共子表达式的计算。也就是说，如果一个表达式上次计算的值到这次仍然可用，我们就能直接利用其中值，而不用进行再次的计算。

可用表达式分析中的数据流值

程序中的所有表达式
bit vector 中，一个 bit 就是一个表达式

可用表达式的转移方程和控制流处理

我们要求无论从哪条路径到达 B，表达式都应该已经计算，才能将其视为可用表达式，因此这是一个 must analysis。
注意到图中，两条不同的路径可能会导致表达式的结果最终不一致。但是我们只关心它的值能不能够再被重复利用，因此可以认为表达式可用。
v = x op y，则 gen x op y。当 x = a op b，则任何包含 x 的表达式都被 kill 掉。若 gen 和 kill 同时存在，那么以最后一个操作为准。
转移方程很好理解，和到达定值差不多。但是，由于我们是 must analysis，因此控制流处理是取交集，而非到达定值那样取并集。

可用表达式的算法

注意此时的初始化：一开始确实无任何表达式可用，因此OUT[entry]被初始化为空集是自然的。但是，其它基本块的 OUT 被初始化为全集，这是因为当 CFG 存在环时，一个空的初始化值，会让取交集阶段直接把第一次迭代的 IN 设置成 0，无法进行正确的判定了。
如果一个表达式从来都不可用，那么OUT[entry]的全 0 值会通过交操作将其置为 0，因此不用担心初始化为全 1 会否导致算法不正确。

BlogPapers