一种路径敏感的数据依赖分析算法

这篇工作发表于PLDI 24，提出了一种context- 以semi-path-sensitive的数据依赖分析算法，解决path-sensitive的内存模型中存在的aliasing-path-explosion问题。

1.方法

现有sparse flow-sensitive pointer analysis缺点：

• 1.auxiliary pre-analysis的精度缺失会导致后续分析大量冗余错误pointer-information的传播。

• 2.auxiliary pre-analysis只用到了一个point-to集合，而随后的flow-sensitive分析在处理path-sensitive问题时后point-to集合会出现路径爆炸。

为了解决这些问题作者提出了Falcon，Falcon处理的程序语法如下：

1.1.Basic Rule

作者定义了两个集合 $E$ 和 $S$，还定义了对应的查询方式 ${\prod }_{\phi }$：

• E [ p → { . . . } ] E[p \rightarrow \{...\}] E[p→{...}] 表示top-level variable $p$ 的指向环境集合，每一个环境为 $(\phi ,o)$ 表示一个address-taken object及其对应的路径条件。

• S [ o → { . . . } ] S[o \rightarrow \{...\}] S[o→{...}]，每一个元素 $(\pi ,l,q)$ 表示top-level variable $q$ 在语句 $l$ 处路径条件为 $\pi$ 时赋值给了 $o$ （store 指令）。比如语句 $l:\ast x=q$，该路径条件 $\pi$，$x$ 只指向 $o$，那么有 $S(o)=S(o)\cup (\pi ,l,q)$。

• ${\prod }_{\phi }(S(o))=\{(\pi \wedge \phi ,l,v)|(\pi ,l,v)\in S(o)\}$ 表示address-taken variable $o$ 在路径条件 $\phi$ 下可能的值。这里值用top-level variable表示，也就是存在value-flow $v\stackrel{\phi }{\to }o$。

• ${\prod }_{\phi }(E(v))=\{(\pi \wedge \phi ,o)|(\pi ,o)\in E(v)\}$ 表示top-level variable 在路径条件 $\pi$ 下的指向集合。

• $E(v)⨄E^{{}^{\prime }}(v^{{}^{\prime }})=\{(\pi \vee {\pi }^{{}^{\prime }},o)|\forall (\pi ,o)\in E(v),\forall ({\pi }^{{}^{\prime }},o)\in E^{{}^{\prime }}(v^{{}^{\prime }})\}$，表示两个 $E$ 集合合并，一个应用的地方就是 $\Phi$ 指令处合并不同的value时，不过关于具体操作paper里说的不是很明确，个人理解是如果 $o$ 在两个 $E$ 集合处都出现了，那么合并路径条件 $\pi \vee {\pi }^{{}^{\prime }}$，反之则相当于 $\pi \vee false$ 或者 $false\vee {\pi }^{{}^{\prime }}$。

基础的transfer function如下，$E,S⊢l,\phi :stmt:E^{\prime },S^{\prime }$ 表示 $E,S$ 集合经过路径条件 $\phi$ 下的语句 $l$ 后更新为 $E^{\prime },S^{\prime }$，其中：

• alloca 指令 $p=\&a$ 往 $p$ 的 $E$ 集合添加 { φ , a l l o c a a } \{\varphi, alloca_a\} {φ,allocaa​}。

• store 指令 $\ast x=q$ 更新了 $pts(x)$ 每个address-taken variable的 $S$ 集合。往已有的 $S(o)$ 集合中添加 $(\pi ,l,q)$ 表示value-flow关系 $q\stackrel{\pi }{\to }o$。同时只有 store 指令会更新 $S$ 集合的值，其它只更新 $E$ 集合。和SFS类似，如果 $|{\prod }_{\phi }(E(x))|=1$ 也就是 $x$ 只指向一个address-taken variable $(\pi ,o)$，那么对 $o$ 进行strong update，这也是kill功能的实现。

• Sequencing 和 Branching 规则表明Falcon可能通过遍历CFG实现（paper没有明说），由于CFG遍历很费时，为了跳过不必要的CFG node，作者后面提出了一个优化方案。

• load, phi, copy 指令则负责传播指针集合 $E$ 的值。其中 load 的最为复杂，个人理解是对于 $l,\phi :p=\ast y$，首先 ${\prod }_{\phi }(E(y))=\{(\pi ,o),...\}$ 查询出满足路径条件的所有指向address-taken variable $(\pi ,o)$（此时存在value-flow $o\stackrel{\pi }{\to }p$），由于 load 指令主要是更新 $p$ 的指向集 $E(p)$，因此需要先查询每个 $(\pi ,o)$ 的所有值 ${\prod }_{\pi }(S(o))$（找出所有的 $v\stackrel{\phi }{\to }o$），这样找到了value-flow $v\stackrel{\phi }{\to }p$，随后合并所有 $v$ 的指向集合更新 $E(p)$。

value flow的构建规则如下图所示（value-flow只存在于 store --> load），对于语句 $l_1$ 处路径条件为 ${\phi }_1$ store 指令 $\ast x=q$，以及语句 $l_2$ 处路径条件 ${\phi }_2$ 的 load 指令 $p=\ast y$，查询路径条件 ${\phi }_2$ 下 $y$ 指向的所有address-taken variable $({\pi }_i,o_i)$，通过 ${\prod }_{{\phi }_i}(S(o_i))$ 查找 ${\phi }_i$ 下 $o_i$ 所有可能的值 ($({\phi }_i,l_1,q)$)，也就是value-flow $q\stackrel{{\phi }_i}{\to }{o}_i$，最后合并所有同source value-flow的路径条件，也就是构造value-flow边 $q\stackrel{\vee {\phi }_i}{\to }p$。

以下图为例，(b)为传统value-flow构建方法, （c）为Falcon，以处理从 store $\ast x=a$ 到 load $d=\ast x$ 为例，存在 $E(x)=\{({\phi }_1,o_1),(\neg {\phi }_1,o_2)\}$， S ( o 1 ) = { φ 1 , l 1 , a } S(o_1) = \{\varphi_1, l_1, a\} S(o1​)={φ1​,l1​,a}， S ( o 2 ) = { ¬ φ 1 , l 2 , a } S(o_2) = \{\lnot \varphi_1, l_2, a\} S(o2​)={¬φ1​,l2​,a}（$l_1,l_2$是占位符）。处理 $d=\ast x$ 时query ${\prod }_{\neg {\phi }_2}(E(x))$，发现 ${\phi }_1\wedge \neg {\phi }_2$ 和 $\neg {\phi }_1\wedge \neg {\phi }_2$ 都能满足，因此得到 ${\prod }_{\neg {\phi }_2}(E(x))=\{({\phi }_1,o_1),(\neg {\phi }_1,o_2)\}$，接着分别query ${\prod }_{{\phi }_1}(S(o_1))$ 和 ${\prod }_{\neg {\phi }_1}(S(o_2))$ 得到 { φ 1 ∧ ¬ φ 2 , l 1 , a } \{\varphi_1 \land \lnot \varphi_2, l_1, a\} {φ1​∧¬φ2​,l1​,a} 和 { ¬ φ 1 ∧ ¬ φ 2 , l 2 , a } \{\lnot \varphi_1 \land \lnot \varphi_2, l_2, a\} {¬φ1​∧¬φ2​,l2​,a}。最后得到value-flow $a\stackrel{\neg {\phi }_2}{⟶}d$（路径条件简化）。与之相比传统方法的value-flow边就多多了。

1.2.改进算法

不过目前上图的算法还有优化空间，主要原因包括：

• 1.直接在CFG上按上面规则进行传播开销过大。而Sparse分析的pre-analysis构建的SVFG包括太多false def-use。因此也会降低性能。

• 2.大量guard的路径条件需要更新，可能会引起路径爆炸问题，如果严格的对路径条件求解开销过大。

针对问题1作者提出了一个CFG优化方案，主要针对 store 和 load 的遍历。算法如下图所示（Algo1为 store，Algo2为 load）。优化的重点是 $S$ 集合的访问，首先，store 会修改 $S$ 的值而 load 会读取其值。

针对问题1，作者优化了 store 和 load 的遍历规则，其中将 $S(o)$ 替换为一系列 $S_l(o)$，表示每个指令 $l$ 处address-taken variable $o$ 的值。改进后的算法如下图所示，红框为改变处，主要是处理 store 指令时会顺便处理其所有的支配边界，处理 load 时会沿着其直接支配节点回溯。这里需要先进行控制依赖分析。

一个示例如下图所示:

• 在处理 store 语句 $l_4:\ast x=d$ 时，更新完 $S_{l_4}(allo{c}_m)$ 为 $\{(\phi ,l_4,d)\}$ 后，接着找到 $l_4$ 的支配边界 $l_6$，更新 S l 6 ( a l l o c m ) = { φ , l 4 , d } S_{l_6}(alloc_m) = \{\varphi, l_4, d\} Sl6​​(allocm​)={φ,l4​,d}。同理，访问 $l_5$ 也会做对应的更新。

• 在处理 load 语句 $l_6:f=\ast x$ 时，$x$ 指向 $allo{c}_m$，首先读取 $S_{l_6}(allo{c}_m)$ 的值，获的 $(\phi ,l_4,d)$，表示value-flow $d\stackrel{\phi }{⟶}f$；随后，追溯到 $l_6$ 的直接支配节点 $l_3$，读取 $(true,l_3,c)$ 的值后，根据Algo2第9行 $\phi =\pi \wedge \sigma \wedge \beta$ 和第14行 $\sigma =\neg \pi \wedge \beta$ 的规则更新为 $(\neg \phi ,l_3,c)$，表示value-flow $c\stackrel{\neg \phi }{⟶}f$（$c$ 会在 $\phi$ 下被kill掉）。根据这两个value-flow更新 $E(f)$。

针对问题2，作者将程序的表达式都抽象为bool skeleton，比如将 x < 2, x >=2, y = 100/2 抽象为布尔谓词$p$, $\neg p$, $q$。其次，Falcon并不使用功能齐全的SAT求解器，而是采用几种线性时间的半决策程序，如unit-propagation，用于识别“简单”的不可满足约束，并执行轻量级的逻辑简化，如消除重言式。在实验中，作者发现约70%的路径条件是可满足的。对于其余的路径条件，其中80%是简单约束，可以通过半决策程序解决。value-flow边的修剪和合并例子如下图所示。

1.3.跨函数分析

与SVF不同，作者依然采用采用一个按照call-graph的拓扑序自底向上先构造每个函数的Value-Flow Graph然后以summary-based方法先构造整体value-flow graph，也就是先独立分析每个函数生成summary，然后按需获取summary进行进一步分析。

通常summary需要注意的是side-effect，对于下图(a)所示代码片段，在对 foo 函数生成摘要时，通常会假设参数 y 指向一个address-taken variable o。按照作者的设定，foo 初始处有 $E(y)=\{(true,o)\}$，分析完整个程序后，$S(o)=\{(\phi ,l_2,c),(\neg \phi ,l_3,a)\}$。由于 $y$ 为 foo 和其 caller 的接口，因此 foo 的side-effect只涉及到 $y$，因此 $E(y)$ 和 $S(o)$ 就是需要的side-effect。

summary最终会在分析call语句的时候用到，这里 qux 和 bar 函数都调用了 foo，同时 qux 和 bar 的参数和 bar 一致，假设在 qux 的调用处，$E(x)=\{({\phi }_1^{{}^{\prime }},o_1),({\phi }_2^{{}^{\prime }},o_2),({\phi }_3^{{}^{\prime }},o_3)\}$，那么将summary展开后就有了 $S(o_1)=\{(\phi \wedge {\phi }_1^{{}^{\prime }},l_2,c),(\neg \phi \wedge {\phi }_1^{{}^{\prime }},l_3,a)\}$, $S(o_2)=\{(\phi \wedge {\phi }_2^{{}^{\prime }},l_2,c),(\neg \phi \wedge {\phi }_2^{{}^{\prime }},l_3,a)\}$, $S(o_3)=\{(\phi \wedge {\phi }_3^{{}^{\prime }},l_2,c),(\neg \phi \wedge {\phi }_3^{{}^{\prime }},l_3,a)\}$。如果调用有多层，那么摘要数量可能指数爆炸。

针对这个问题，作者引入了一个辅助变量 $R$，上面 foo 的摘要变成 $E(y)=\{(true,o)\}$, $S(o)=\{(true,l_4,R)\}$, $R=\{(\phi ,l_2,c),(\neg \phi ,l_3,a)\}$。具体的构造方法如下图所示，在添加辅助变量的同时，对于 void 返回类型，算法还会添加一个额外返回值，示例如上图(b)所示

假设分析 foo 时

• 独立分析完 foo 后有：$E(y)=\{(true,o)\}$, $S(o)=\{(\phi ,l_2,c),(\neg \phi ,l_3,a)\}$, E ( c ) = { t r u e , j } E(c) = \{true, j\} E(c)={true,j}, E ( a ) = { t r u e , k } E(a) = \{true, k\} E(a)={true,k}。（此时 $a$, $c$ 均为一阶指针，对其指向集进行指针分析意义不大，故忽略 $k,j$ 的指向集）。value-flow edge包括: $(c=\&j)\to (\ast y=c)$、$(a=\&k)\to (\ast y=a)$、$(\ast y=c)\stackrel{\phi }{⟶}(R=\ast y)$、$(\ast y=a)\stackrel{\neg \phi }{⟶}(R=\ast y)$。

• 用Algo3分析后得到 E ( y ) = { t r u e , o y } E(y) = \{true, o_y\} E(y)={true,oy​}($o_y$ 为新建object), $S(o_y)=\{(true,,R)\}$，$E(R)=\{(\phi ,j),(\neg \phi ,k)\}$。

利用 $f$ 的summary分析caller语句 $l,\phi :r=f(u)$ 的规则如下，以caller qux 中的 foo(x) 为例，假设 $E(x)=\{({\phi }_1,o_1)\}$

• (1).在callee的summary中替换形参($y$)和返回值($R$)，构造中间变量 $E_f^{{}^{\prime }}(y)=\{({\phi }_1,o_1)\}$, $S_f^{{}^{\prime }}(o_1)=\{({\phi }_1,,R)\}$，$E(R)=\{({\phi }_1\wedge \phi ,j),({\phi }_1\wedge \neg \phi ,k)\}$。

• (2).合并后为 $E^{{}^{\prime }}(x)=\{({\phi }_1,o_1)\}$, $S_f^{{}^{\prime }}(o_1)=\{({\phi }_1,,L_1)\}$, $E(L_1)=\{({\phi }_1\wedge \phi ,j),({\phi }_1\wedge \neg \phi ,k)\}$。

在上述示例中，qux 的call语句后面还添加了 store 语句 *x = L1，接着 foo(x) 分析，那么更新了 $S(o_1)$ 的值为 $\{({\phi }_1,l^{{}^{\prime }},L_1)\}$。这里 $l^{{}^{\prime }}$ 为 store 语句。

在call分析完后，value-flow中会添加summary edge，主要从callee的return value对应的 store（可能是已有的也可能是新添加的）连接到caller后面的 load 处，在上上张图示例(b)中，foo 结尾插入 R = *y 以及 return R，以及在 qux 和 bar 的caller处添加返回值 L1（还有 L2）以及后面跟着 store 语句 *x = L1 (还有 *z = L2)，那么会在新添加的callee的 load 和caller的 store 中间添加一个summary edge。（这里感觉首先需要对IR进行语义等价转换，可能方法和Pinpoint一样）。

2.Evaluation

2.1.设置

下游任务包括：(1).Thin Slicing for Program Understanding、(2).Value-flow Bug Finding: 主要是use-after-free。

baseline包括：

• (a).指针分析的比较对比：(1).SVF (主要是SVF实现的Andersen算法)、(2).SFS（稀疏值流分析）、(3).DSA (unionfication-based, flow-insensitive, context-sensitive算法，实现采用sea-dsa)

• (b).slicing与SUPA-FSCS进行对比

• ©.bug finding与CRED、clang-static-analyzer (CSA) 进行对比。

benchmark采用了6个SPEC INT 2010程序以及10个开源程序。

2.2.value-flow分析

value-flow分析主要对比时间开销，结果如下表和下图所示，SVF、SFS、DSA为baseline，Falcon(PI)和Falcon(SAT)为消融实验，分别表示采用path-insensitive和采用全量SAT进行约束求解的开销。可以看到Falcon的时间开销相比其它方法有着巨大优势。

2.3.Thin Slicing

为了生成真实的slicing query，作者使用typestate分析提得到的bug report。从对应程序位置的问题变量开始backward分析，结果可以帮助开发人员理解这些报告。主要比较每个slicing query的处理时间（排除value-flow graph的时间），precison和recall。后两者有两位作者进行了人工验证。

时间开销：Falcon对每个slicing query的处理时间少于240ms。总的来说，它比SUPA-FSCS快302倍，平均加速54倍。这一性能提升归因于Falcon生成的value-flow graph比SUPA-FSCS更紧凑。

Precision：Falcon生成的slicing平均大小比SVF、SFS、DSA和SUPA-FSCS分别小5.5倍、1.9倍、2.6倍和1.3倍。表示过滤了很多错误的语句。

Recall：Falcon假设函数参数之间不存在别名，这一不sound的假设对超过90%的query没有影响，经过手动检查结果得到了验证。两项先前的研究也表明，真实世界的C/C++程序中的函数参数往往具有很少的别名关系。

2.4.Bug Detection

use-after-free bug检测的结果如下图所示，分别对比了时间开销和误报率。可以看出，Falcon在大多数大规模程序中超越了CRED和CSA，平均速度提升分别达到10.3倍和1620.8倍（以工具完成的项目为基准）。尽管表中未显示，但作者观察到，如果允许10个线程并发分析，Falcon可以在两小时内完成每个程序的检查。CRED、CSA和Falcon的虚假正例率分别为40.0%、33.3%和27.8%。我们注意到，CSA报告的警告明显少于CRED和Falcon，部分原因是频繁超时和在跨编译单元分析路径时能力有限。Falcon符合工业界对30%误报率的常见要求。

参考文献

[1].Yao P, Zhou J, Xiao X, et al. Falcon: A Fused Approach to Path-Sensitive Sparse Data Dependence Analysis[J]. Proceedings of the ACM on Programming Languages, 2024, 8(PLDI): 567-592.