断断续续看了南京大学的静态分析课程，总结一下，先贴一些资源
课程链接：
https://pascal-group.bitbucket.io/teaching.html。
作业内容：
https://tai-e.pascal-lab.net/en/pa1.html#_1-assignment-objectives
作业工程：
https://github.com/pascal-lab/Tai-e-assignments
关于Soot的资料：
https://www.brics.dk/SootGuide/sootsurvivorsguide.pdf
https://github.com/soot-oss/soot/wiki/Tutorials
Soot官方：
https://github.com/soot-oss/soot
下载soot jar包：
https://soot-build.cs.uni-paderborn.de/public/origin/master/soot/soot-master/
国内关于Soot的应用：
https://github.com/wh1t3p1g/tabby

简单理解静态分析就是在不运行程序的情况下对程序进行分析。静态分析的作用包括判断程序是否安全（空指针引用、内存泄漏、信息泄漏等）、增强对项目的理解（调用层次结构）、编译器优化（死代码消除）等。但是静态分析并不能给出具体的答案：是或否。也就是它不能肯定一定安全、一定不存在死代码等（赖斯定理）。静态分析可以给出的是可靠性（soundness）或完整性（completeness），对应的是漏报率（false negatives）或误报率（false positives）。这也涉及到在确保可靠性的同时，在分析精度和分析速度之间做平衡。

另外，课程用两个词来概括大多数的静态分析：Abstraction + Over-approximation。中文翻译就是：抽象、过度近似。Abstraction把具体值抽象成了符号表示。

Abstraction

Transfer functions

Control Flows

1. IR

IR（Intermediate Representation，中间表示），表示了高级语言的全部信息。所谓的编译过程是将高级语言转换成机器指令的过程，大致如下：

Source Code -> Scanner —(Tokens)—> Parser —(AST)—> Type Checker —(Decorated AST)—> Translator —(IR)—> Code Generator -> Machine Code

Scanner阶段为词法分析（Lexical Analysis），通过正则表达式（Regular Expression）
Parser阶段为语法分析（Syntax Analysis），通过上下文无关文法（Context-Free Grammar）
Type Checker阶段为语义分析（Semantic Analysis），通过属性文法（Attribute Grammar）
经过上述过程，会将源代码转换成IR的形式。IR之前的步骤被称为前端frontend。可以看到IR和AST阶段相比，更贴近机器码的形式，并且包含控制流信息，所以IR阶段是更适合进行静态分析的阶段。

AST vs IR

3AC

IR的基本格式是三地址码格式（3-Address Code ，3AC）。三地址码的要求是：在一条指令的右边最多有一个操作符。“地址”可以理解为元素，每个指令里面包含三种元素：Name、Constant、Compiler-generated temporary，即名称、常量和临时变量。

t2 = a + b + 3 // 不符合三地址码要求

// 三地址码格式
t1 = a + b // Name: a,b
t2 = t1 + 3 // Constant:3; Compiler-generated temporary:t1, t2

// 其他常见三地址码,  x,y,z (地址，可以是三种元素之一);
x = y bop z //bop:二进制算术或逻辑运算
x= uop y  // uop:一元运算(减、反、转换)
goto L // L:表示程序位置的标签
if x goto L // 跳转
if x rop y goto L // rop:关系操作符(>，<，==，>=，<=等)

IR是语言无关的，课程中采用的IR的实现是Jimple。Soot中的IR实现包括：Baf, Jimple, Shimple和Grimp。简单来看一个Jimple例子

// 源代码形式
public static void main(String[] args){
    int x=0;
    for(int i=0; i<10; i++){ x=x+1; }
} 

// Jimple三地址码形式
public static void main(String[] args){
    java.lang.String[] r0;
    int i1;
    r0 :=@parameter0: java.lang.String[];
    i1=0;
label1:
    if i1>=10 goto label2;
    i1=i1+1;
    goto label1;
label2:
    return;
}

// 方法调用源代码形式
package org.examples;
public class MC{
    String foo(String para1, String para2){
        return para1 + " " +para2;
    }
}

// 方法调用的3AC
java.lang.String foo(java.lang.String, java.lang.String){
    org.example.MC r0;
    java.lang.String r1,r2,$r7;
    java.lang.StringBuilder $r3, $r4, $r5, $r6; // $代表临时变量

    r0 :=@this: org.examples.MC;
    r1 :=@parameter0: java.lang.String;
    r2 :=@parameter0: java.lang.String;
    $r3 = new java.lang.StringBuilder;
    specialinvoke $r3.<java.lang.StringBuilder: void <init>()>(); // specialinvoke:call constructor\superclass method\private methods
    $r4 = virtualinvoke $r3.<java.lang.StringBuilder: java.lang.StringBuilder append(java.lang.String)>(r1); // virtualinvoke: instance methods call
    $r5 = virtualinvoke $r4.<java.lang.StringBuilder: java.lang.StringBuilder append(java.lang.String)>(" ");
    $r6 = virtualinvoke $r5.<java.lang.StringBuilder: java.lang.StringBuilder append(java.lang.String)>(r2);
    $r7 = virtualinvoke $r6.<java.lang.StringBuilder: java.lang.StringBuilder toString()>();
    return $r7;
}
interfaceinvoke:cannot optimization, checking interface implementation
staticinvoke: call static methods
// 方法声明
method signture: class name\return type\method name(parameter types)

除3AC三地址码格式，还有一种IR的格式称为SSA（Static Single Assignment，静态单一任务）。
SSA中的所有赋值都是给具有不同名称的变量。它和3AC不同的是，每个变量都只有一个定义，每个定义都有一个新的名称。这种相对于3AC会提升一定的精度，但是会导致翻译成机器码时效率下降

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

这部分内容可以在本地写一个类文件，如Test.class。然后从https://soot-build.cs.uni-paderborn.de/public/origin/master/soot/soot-master/下载对应版本的jar包，类和jar文件放在同一目录下，然后用如下命令生成Jimple文件。

java -cp sootclasses-trunk-jar-with-dependencies-4.1.0.jar soot.Main -f J -pp -cp . Test 

2. Data Flow Analysis

CFG

CFG（Control Flow Graph，控制流图），是静态分析的基本结构。它其中的节点是一个个3AC的指令，或者一个BB（Basic Block，基础块）。

BB是连续三地址指令的最大序列，它需要满足的要求是：BB块中的第一个指令是该块的唯一入口，最后一个指令是唯一出口。构建BB的算法如下。
（1）3AC中的第一条指令是header
（2）条件或无条件跳转的目标是header
（3）紧随条件跳转的指令是header

How to build Basic Blocks

把3AC指令转换成BB的Demo如下，根据构建BB的算法，一共12条3AC指令。首先3AC中的第一条指令，即1是header。其次，条件或无条件跳转(return)的目标包括7，12，3。这三条也是header。然后，包含条件跳转的指令是4，10，11。所以5，11，12作为紧随条件跳转的指令也是header。总结起来，header包括：1，3，5，7，11，12。然后将leader和它的所有后续指令（直到下一个header）组成BB。

3AC转换成BB，再转换成CFG

构建CFG
CFG的节点是BB，BB转换成CFG则是在BB之间添加边：对于顺序指令、条件跳转的情况，添加边，但是如果BB对应了无条件跳转，其后的BB不加边（例如B5和B6）。如上图右侧。边的BB之间就形成了前身（predecessor）和后继（successor）。另外，在构建CFG的时候会添加两个节点，入口Entry和出口Exit。它们不属于可执行IR。

数据流分析可以理解为数据如何在CFG上传递。主要的三种包括：（1）Reaching Definitions Analysis、（2）Live Variables Analysis、（3）Available Expressions Analysis

在理解数据流分析之前，先要了解一些基本概念：（1）输入输出状态State：每次IR语句的执行都将输入状态转换为新的输出状态。但是分析的时候根据控制流的方向不同可以分为：前向分析Forward Analysis和后向分析Backward Analysis。前向分析的符号表示为OUT[s] = fs(IN[s])，后向分析为IN[s] = fs(OUT[s])

输入输出状态

Notations for Control Flow’s Constraints

Reaching Definitions Analysis

Reaching Definitions定义如下，也就是在p点定义了变量v，v=xxx，在从p到q的路径中，v没有被重新定义（"kill"），就认为v到达了q。可以表示为D: v = x op y。

Reaching Definitions

两个约束：它的Transfer Function（传递函数）可以定义为OUT[B] = genB U (IN[B] - killB)；Control Flow控制流可以定义为IN[B] = Up a predecessor of B OUT[P]。所谓gen就是当前BB中定义的变量，kill是此变量在其他BB中对应的Definition。示例如下：

Reaching Definitions

在B1块中，gen的变量是i,j,a，对应的就是d1,d2,d3。kill的就是其他具有i,j,a的地方，其他具有i:d4,d7；其他具有j:d5；其他具有a:d6。所以kill的集合是d4,d5,d6,d7。
在B2块中，gen的变量是i,j，其他具有i:d1,d7，其他具有j:d2，所以kill的集合是d1,d2,d7。以此类推。

Reaching Definitions Analysis算法如下

Reaching Definitions Analysis算法

算法Demo

Reaching Definitions Analysis算法Demo

同一个变量用相同的颜色表示，例如D2和D4都是红色代表y。每个变量Definition初始设为0

D1 D2 D3 D4 D5 D6 D7 D8 
0  0  0  0  0  0  0  0

根据算法，每一个OUT[B]都初始化为空，也就是每个BB的OUT都设为00000000。
（1）B1
然后开始计算B1的OUT[B1]，根据Transfer Function的定义OUT[B] = genB U (IN[B] - killB)进行计算，此时的IN为0000000，genB为11000000（因为此时D1、D2有定义），killB应该kill包含x,y的Definition，如D4，D5，D7，但是这三个目前的Definition都为0，kill后还是为0，所以killB还是0000000。最终得到的OUT[B1]=11000000 U 00000000=11000000 。U为或运算。
（2）B2
先算B2的IN，根据定义IN[B] = Up a predecessor of B OUT[P]，先找到B2所有的前驱进行U操作。B2的前驱包含B1和B4，二者的OUT进行U操作，即11000000 U 00000000。此时的IN[B]=11000000。
为了计算OUT，先算一下killB，B2的m和y，只在D2中有。所以要在IN[B]的基础上kill D2，即变为10000000，再genB00110000，二者进行或运算，最终OUT[B2]结果为10110000。因为B3和B4的前驱都只有B2，所以IN[B3]和IN[B4]的值就为OUT[B2]
（3）B3
计算B3的OUT要先从IN的10110000中Kill掉具有x的D1、D5，IN中的D5本身就是0，只killD1就可以了，即变成00110000，再与D7做或运算，得到OUT[B3]=00110010
（4）B4
其他具有x,z的：D1、D7、D8。IN是B2的OUT，从IN中kill D1、D7、D8，得到00110000。再与D5、D6做或运算，得到OUT[B4]=00111100
（5）B5
B5的前驱包含了B4和B3，需要先对前驱的OUT做或操作。也就是00111100 U 00110010，得到IN为00111110，然后kill掉z对应的D6，得到00111010，再gen D8，00111011
至此，完成了第一轮的遍历。
根据算法要求，如果有任何的BB的OUT发生了变化，就需要再进行遍历。最终进行了三轮遍历。

三轮遍历

所有绿色的都是Final analysis result。这个序列代表哪个D能到达BB，例如B1最终结果是D1，D2能够到达。B3是D3，D4，D6，D7能够到达。每个应用点都关联了一个data-flow value（D序列），它代表了能否到达这个点的抽象。

迭代算法为什么最后会停止？首先gen和kill是固定不变的。在第二轮的时候，IN可能发生变化（more facts）：0->1 , 1->1，不可能1->0，因为要kill的在第一轮就会kill，也就是OUT只会增长，不会变小。所以最极端的情况，就是所有的位都变成了1，那么也会停下来。

Live Variables Analysis

Live Variables Analysis直译过来为存活变量分析。简单来说就是判断变量v在程序的某一点是否是Live的。图示如下：

Live Variables Analysis

在一条路径上有使用变量v的地方，并且在使用前v没有被重定义，就认为v在程序点p是live的。Live Variables的应用之一就是编译优化，比如可用于寄存器分配。即在某些情况下，所有寄存器都已满，我们需要使用一个寄存器，那么我们应该倾向于使用具有dead value的寄存器。

这种方式针对的是程序中的Variables而不再是Definition。这种方法适用于逆推，首先找到use(v)的地方，即下图中的S1，然后向上寻找v被定义的P。很容易看出OUT[B]应该是IN[S]的集合，但是IN[B]的算法，就要分场景来看：
（1）v被重新定义了 -> IN[B]={ }
（2）B中用到了v -> IN[B]={ v }
（3）B中用到了v并且v也被重新定义了 ->看是先使用v还是先进行了重定义 -> IN[B]={ v }或IN[B]={ }

但是在下图的IN[B]计算公式可以和Reaching Definition Analysis进行比较。Reaching Definition Analysis是正向的推导OUT[B] = genB U (IN[B] - killB)。Live Variables Analysis是逆向的推导IN[B]=useB U (OUT[B] - defB)。二者极为类似，都是先用集合去除要kill的或重定义的，然后并上用到的。

Live Variables Analysis逆推

对应的算法代码如下，同为may analysis，初始化都为空。存活变量分析算法是逆推算法，所以设IN[exit]为空

Live Variables Analysis算法

Demo如下，此处的变量序列如下。存活变量分析中所有的变量都会被纳入序列中。但是Reaching Definitions Analysis只会把等号前被定义的变量放入序列。

x y z p q m k
0 0 0 0 0 0 0

Live Variables Analysis Demo

有任意的BB的IN发生了变化就需要再次进行遍历。显然每个BB和初始化的0都不同了，就需要开始第二轮。最终的三轮结果如下。

三轮结果

Available Expressions Analysis

Available Expressions Analysis直译为可用表达式分析。定义是：如果（1）从入口到p的所有路径都必须经过x op y的计算，并且（2）在x op y的最后一次计算之后，没有对x或y的重新定义，则表达式x op y在程序点p处可用。Available Expressions Analysis可以用于检测全局表达式。

Available Expressions Analysis图示如下：表达式整体作为向量，IN的时候表达式是a+b，但是在BB中，a被重新定义了，按照规则需要删除任何包括a变量的表达式，即删除a+b。gen的是x op y，最后求并集OUT即为x op y

Available Expressions Analysis

课件中给了一个小例子来判断表达式是否是Available的，直觉上左边的path，x被重定义过了，像是Unavailable的。但是根据上面Available Expressions Analysis的定义：在x op y的最后一次计算后，没有对x进行重新定义（此处的重定义是在计算前的，符合定义）。并且由于定义要求所有路径都必须经过x op y的计算，所以路径最终要取交集，而不是前面两种分析的并集。由于左右两条路都是Available的，那么认为该汇聚点是Available的。

Understanding Available Expressions Analysis

Available Expressions Analysis算法如下

Available Expressions Analysis算法

Available Expressions Analysis算法Demo

（1）B1
B1的IN是00000，kill含y的表达式。然后和p-1取并集。得到10000
（2）B2
B2的前驱包含B110000和B411111，二者取交集（与）得到10000。kill含k和p的表达式，genz/5和e7*x。操作得到01010
继续运算，直到各个B的OUT不再变化。

最终结果

这三个数据流分析的方法，以x=p+q为例。一个针对Definition，即x；一个针对Variable，其中的p,q；一个针对Expression，即p+q。

数据流分析理论

课程的第五讲和第六讲主要是讲了数据流分析中的理论，包括迭代算法、偏序、上下界、格、单调性与不动点定理、MOP、常量传播、Worklist算法等内容。

迭代算法

一个May&Forward分析的算法如下图左上所示。简单来说就是一个CFG拥有k个节点，每一次迭代都更新每个节点的OUT。这样所有的节点就形成了一个K元组(OUT[n1], OUT[n2], ..., OUT[nk])。或抽象成(V1 ×V2 ...×Vk)，那么每一轮利用传递函数和控制流处理，将Vk中的一个元素抽象为Vk中的一个新元素（函数F: Vk→Vk）。直到两个连续的K元组相同时迭代结束。

迭代算法

Xi=F(Xi)时就认为X是一个不动点，整个迭代算法也达到了不动点。

由此也有了一系列疑问：算法是否一定能终止迭代（或者说到达不动点）？如果有不动点是只有一个还是不止一个？我们的解决方法是最好或最准确的么？算法会在什么时候达到不动点？回答这一系列问题前，就涉及到一些数学知识。

偏序（Partial Order）

偏序集（poset）被定义为一对(P，⊑)，其中⊑是一个二元关系，定义了P上的部分排序，⊑具有以下属性:
（1）自反性Reflexivity： ∀a∈S，有a≤a；
（2）反对称性Antisymmetry：∀a，b∈S，a≤b且b≤a，则a=b；
（3）传递性Transitivity：∀a，b，c∈S，a≤b且b≤c，则a≤c；

所谓的二元关系，是两种事物之间的联系，例如算术中的大于、等于；或者几何学中的子集。自反性可以简单理解为等于、小于等于、大于等于、整除等（a≤a）；反对称性，简单理解为a≤b且b≤a，则a=b；传递性比较好理解，a≤b且b≤c，则a≤c。

课程中给了几个例子
（1）例子1，假如偏序代表<小于号，S是整数集合，问S是否为偏序集。答案是不是，首先就不满足自反性，1<1是不成立的。
（2）例子2，假如偏序代表子集，S是英文单词的集合，如下左图。问S是不是偏序集。对于自反性，可以理解为对于每一个字符串，是不是自己子集的字符串。反对称性，可以理解为A、B两个字符串互为彼此的子集，那么两个字符串是相等的。下面这个例子也说明了偏序只是需要部分满足，不要求所有元素都满足。比如sin和singing是满足条件的，pin和sin不满足条件。但只要有部分满足就符合偏序。
（3）例子3，假如偏序代表子集，S是一个power set幂集（原集合中所有的子集（包括全集和空集）构成的集）。如下右图。所以例子2、3都满足偏序。

偏序例子

上界和下界（Upper and Lower Bounds）

least upper bound(最小上界，缩写为：lub，也称为join)，可以写为⊔S；greatest lower bound（最大下届，缩写为：glb，也称为meet），可以写为⊓S。如果S中包含两个元素a,b，那么最小上界可以写为a ⊔ b，即the join of a and b。同样，最大下届可以写为a ⊓ b，即the meet of a and b。图示如下：

Upper and Lower Bounds

PS：不是每个poset都有最小上界和最大下界，如果有的话一定是唯一的。以上图的S自身为例，就没有glb（最大下界），因为空集并不在S中。证明唯一性可以利用反证法，假设g1，g2都是最大下界，那么按照偏序集定义，g1⊑(g2 =⊓P) and g2⊑(g1 =⊓P)，那么g1=g2，也就是唯一。

Lattice（格）

格：如果偏序集的每一对元素都有最小上界和最大下界，则该偏序集就是格。如果对上述偏序中的三个例子进行是否为Lattice的判断。例子1是，例子2不是。例子3是。因为在例子2中，pin和sin就不存在最小上界，不满足每一对元素都有最小上界和最大下界的条件。

Semilattice半格：只存在最小上界或最大下界中的一个。如果存在最小上界，就称为join semilattice。如果存在最大下界，就称为meet semilattice

Complete Lattice全格：对于一个格，其任意子集的最小上界和最大下界都存在。Lattice是任意两个元素，而Complete Lattice是任意子集。后者要求更严格。对于上述偏序中的三个例子来说，例子1不是，例子2不是，例子3是。例子1中定义的是整数集合，而整数的个数可能是无穷的，所以想求上界的时候可能也是无穷的，不满足存在最小上界的要求。例子3是。对于全格来说，它有一个最大元素T被称做top和一个最小元素⊥被称作bottom。

每个有限格（元素有穷）都是一个全格，但一个全格不一定是有限格。一般程序中用到的是Complete Lattice全格。

Product Lattice：对于给定格，L1 = (P1，⊑1)，L2 = (P2，⊑2)，…， Ln = (Pn，⊑n)，如果对于所有i， (Pi，⊑i)有⊔i(最小上界)和⊓i(最大下界)，那么我们可以有一个积格Ln = (P，⊑)。相关性质如下：

P=P1×...×Pn
(x1,...,xn)⊑(y1,...,yn)⟺(x1 ⊑y1)∧...∧(xn ⊑yn) 
(x1,...,xn)⊔(y1,...,yn) = (x1 ⊔1 y1,...,xn ⊔n yn)
(x1,...,xn)⊓(y1,...,yn) = (x1 ⊓1 y1,...,xn⊓n yn)

如果Product Lattice中的每一个Lattice都是全格，那么这个Product Lattice也是全格

Data Flow Analysis Framework via Lattice

Data Flow Analysis Framework via Lattice

这个图的形容是：Data flow analysis can be seen as iteratively applying transfer functions and meet/join operations on the values of a lattice。可以看出从s1到s2，是从Lattice的Bottom向上走的，经过join操作的到Lattice的{a,b}，再经过transfer functions，得到Lattice的最小上界。所以数据流分析可以认为是在Lattice上应用Transfer functions和meet/join操作。

有了这些数学知识，就回到介绍偏序之前的那些问题，（1）算法是否一定能终止迭代（或者说到达不动点）？如果有不动点是只有一个还是不止一个？我们的解决方法是最好或最准确的么？算法会在什么时候达到不动点？

对于第（1）个问题。在上面介绍算法的时候提到OUT中的0可能变成1，但1不会变成0。所以最后有终点。如果要更通用的来看这个问题，则要用单调性monotonicity来解释。对于第（2）个问题，x=f(x)的时候，函数能达到不动点。但是不动点可以有多个。即x=f(x)有多个x满足条件。如下图。

不动点

那么想要回答第（3）个问题，就需要了解单调性和不动点定理。

Monotonicity 单调性

如果格是单调的，那么x ⊑ y ⟹ f(x) ⊑ f(y)，简单理解就是x<=y的话，f(x)<=f(y)

Fixed Point Theorem 不动点定理

Fixed-Point Theorem

如果Complete Lattice是单调的，并且Lattice是有限的（finite，那么这个肯定个是全格，但全格不一定是有限的）。去寻找最小不动点的方法是：

先找到bottom，然后不断通过f()去迭代bottom，那么达到不动点的那一刻就是最小不动点。同样，先找top，然后不断迭代，达到不动点那一刻就是最大不动点。

这个方法可以用如下的方式来证明是正确的。要证明首先（1）不动点存在，其次（2）不动点是最小/最大的，即是最优的。对于（1）的证明：每个Lattice都有bottom和top。以bottom为例，f(bottom)也是Lattice上的值，而bottom是Lattice上的最小值，所以bottom⊑f(bottom)。然后根据单调性，f(bottom)是不断增大的，但由于有限性，Lattice存在一个边界，最终证明不动点。

Fixed-Point Theorem (Existence of Fixed Point)

对于（2）的证明，既然要证明最小，就可以假设有一个其他的不动点存在。利用数学归纳法（Induction）来证明。数学归纳法的证明步骤大致为：先设置初始条件，例如f(1)=xx，然后假设在第i次时成立，然后证明i+1次也成立。证明如下

Fixed-Point Theorem (Least Fixed Point)

那么再回答第（3）个问题的时候，如果不动点不止一个，怎么判断我们的解决方法是否为最好的，那么就要看我们的是否为greatest或least的不动点。

那么如何把算法和不动点定理关联起来？图示如下

算法到达不动点

从Lattice的角度来看May和Must Analysis。如下图。对于May来说，最开始认为所有的Definitions都不可达，此时是unsafe的，但是如果达到了top，虽然变安全了，但是越来越不准，因为认为所有都可达，相当于没有计算。对于不同类型，May、Must Analysis来说，最准的点也不同。基于May来说是Least Fixed Point，对于Must来说，是Greatest Fixed Point。

May and Must Analysis in Lattice view

从Entry到Si可能有很多条path，每条path可以被写为P=Entry-> S1 -> S2 ->...-> Si。如果要定义整个Path的Transfer function，fsi-1的OUT就是si的IN，也是这条path的Transfer function的结果。MOP则是枚举Entry到Si的所有path。把三条Fp（Transfer function的结果）进行meet/join操作。所以MOP认为是在每个路径的末尾计算数据流值，并进行meet/join找到最小上界lub/最大下界glb。

Meet-Over-All-Paths Solution (MOP)

我们之前用的算法是在所有汇合点都用join，但是MOP则是在最终点才会将结果join。算法和MOP之间的比较如下

与MOP的比较

根据最小上界的定义，所以x U y即是x的上界也是y的上界。由于F是单调的，那么x<y的话，f(x)<f(y)。根据这个推导，具体的比较如下。也就是当F是单调的时候，MOP是比我们的算法要精准的。当F是distributive的时候，是一样准的。前面提到的需要kill/gen的都是distributive的分析方法。但是有的就不是，比如Constant Propagation

算法和MOP的比较

常量传播（Constant Propagation）

给定在程序点p处的变量x，确定x是否保证在p处保持恒定值（常量）。是个must型的分析。CFG中每个节点的OUT包含一组对(x, v)，其中x是一个变量，v是该节点后x所持有的值。根据上面提到的data flow analysis framework（D，L，F），生成一个Lattice包括Values和operator（⊓ or ⊔ ），并且要定义一个Transfer Function。示例如下：

Constant Propagation – Lattice

首先是生成Lattice。NAC：not a Constant（不是常量）。UNDEF：undefined。v：值。c：常量。如果左边来个一个x=1，右边也是一个x=1，汇聚到一起就是常量。即c ⊓ c=c。但如果左边是x=1，右边是x=2，汇聚到一起就变了不是一个常量。所以c1 ⊓ c2 = NAC

然后是定义Transfer Function，{Variable，Variable的值}，_代表通配符。val(x)代表对变量x进行取值。x=y op z，用f(y,z)来算这个值。判断这个是否为常量，需要分情况讨论，如果val(y)和val(z)都是常量，那么计算结果为常量。如果其中一个是NAC，那么结果就是NAC。如果有一个是UNDEF，那么结果就是UNDEF。

Constant Propagation – Transfer Function

上面提到如果算法是distributivity的，那么我们的算法和MOP结果是一致的，如果是nondistributivity，那么结果就不一致。二者的计算区别在于是否先meet/join。以下面的例子来说，在c这个点，我们的算法，先meet/join。那么a就是1和9进行meet。根据Constant Propagation – Lattice的图示，c1 ⊓ c2 = NAC，当a进行meet的两个值不同时得到的是NAC。b同理。那么c=a+b，根据上面Constant Propagation – Transfer Function的图示，对于x=y op z来说，如果有y和z有一个是NAC，那么x就是NAC。所以此时的c也是NAC。MOP则是要先对值计算完了，再进行meet。那么就是10和10进行meet。结果认为是常量10。

Constant Propagation – Nondistributivity

Worklist Algorithm

工作列表算法（Worklist Algorithm）是迭代算法Iterative Algorithm的优化。它只遍历有变化的Function进行遍历。而不是只要OUT有一个变了就要把所有的BB进行迭代。算法一开始把所有的BB都放入到Worklist中，计算出的新的OUT和旧的OUT进行比较，如果产生了变化，就把B的后继successor加入到Worklist中。

Worklist Algorithm

过程间分析 Interprocedural Analysis

上述算法研究的都是过程内的分析，以下面这个例子来说，x的来源会认为是NAC，并且y=NAC，n=NAC。但是如果能将x=42真实地带入到bar方法中。就可以得到精确的值:x=42,y=43,n=10。这就涉及到方法之间的调用，来保证方法之间传递数据的精确度。

void foo(){
  int n= bar(42);
}

int bar(int x){
  int y=x+1;
  return 10;
}

程序间的调用关系用调用图来表示，它是一组从调用点（call-sites）到目标方法（target methods，callees）的调用边的集合。

Call Graph

控制流图是程序分析、调试的基础。调用图构造有四种主要方法：Class hierarchy analysis (CHA，类层次分析)、Rapid type analysis (RTA，快速型分析)、Variable type analysis (VTA，变量分析)、Pointer analysis (k-CFA，指针分析)（从左到右，速度逐渐变慢，精确度逐渐变高）。

Java主要有三种调用方法。3AC部分提到过，Static call是调用静态方法，Special call包括构造方法、私有方法和父类方法。其他的方法都被称为Virtual call。Virtual Call的方法调度是基于（1）接收对象的类型 （2）方法签名（Signature，标示符）。

• Signature = class type + method name + descriptor
• Descriptor = return type + parameter types

Method Calls

Method Dispatch of Virtual Calls

Method Dispatch（方法调度）是指在面向对象编程中，如何决定在调用一个方法时哪个实现（implementation）会被执行的过程。Virtual Calls只有在运行时才能得到准确的信息。例如o.foo(...)，需要知道o的具体类型，和foo()的method signature。所谓的signature包括如下：方法的class类型、方法名、返回类型和参数类型。

方法调度元素示例

Method Dispatch

函数Dispatch(𝑐，𝑚)用来模拟运行时Method Dispatch过程。Dispatch的目的是找到一个能被调用的目标函数。但面向对象语言中，方法能被调用的前提是方法是非抽象（non-abstract）的。
（1）如果类c中包含一个non-abstract方法m'，且m'和m具有相同的name、descriptor。那么就相当于找到了要被调用的函数，返回m'
（2）如果类c中没有找到对应方法，就在c的父类c'中寻找，如果还没有找到就在c'的父类中寻找。依次类推直到找到对应方法。

下面有个例子来熟悉Dispatch(𝑐，𝑚)，A、B、C之间是父类的关系。

class A{
  void foo(){...}
}
class B extends A{}
class C extends B{
  void foo(){...}
}
void dispatch(){
  A x=new B();
  x.foo();  // Dispatch(B, A.foo())=A.foo()，B中没有foo方法，所以调用父类A中的方法方法

  A y=new C();
  y.foo(); // Dispatch(C, A.foo())=C.foo()，C中有同name和descriptor的方法，所以调用C中的方法
}

Class hierarchy analysis类层次分析

CHA的特点是需要整个程序的类层次结构信息（继承结构）。然后根据declared type和receiver variable来处理Virtual Call。

A a=...  //声明变量的类型是A，即使A a=new B();，声明变量的类型也还是A 
a.foo(); // a就是receiver variable

a可能指向a或a所有子类的对象，需要通过查找A的类层次结构来解析目标方法。CHA的具体解析方法是：定义Resolve(cs)来解析可能的目标方法。cs表示call-site调用点。

Resolve(cs)

这里需要注意是进行Dispatch，而不是查找（因为查找只在当前类）。Dispatch在上面提到如果当前类中没找到对应方法，会去父类寻找。

// (1) static call
class C{
  static T foo(P p, Q q){...}
}
C.foo(x, y); // cs:C.foo(x,y); m: <C: T foo(P,Q)>

// (2) special call 父类方法
class C extends B{
  T foo(P p, Q q){
    ...super.foo(p,q);  // cs:super.foo(p,q); m:<B: T foo(P,Q)>
  }
}

// (3) special call private方法
class C extends B { 
  T foo(P p, Q q) {
    ...
    this.bar();  // 类似static call
  }
  private T bar() 
}

// (4) special call 构造方法
C c = new C(); // 类似static call

// (5) virtual call
class A{
  T foo(P p, Q q){...}
} 
A a=... 
a.foo(x,y); // cs: a.foo(x,y); m:<A T foo(P,Q)> c:A

一个CHA的具体例子：

class A{
  void foo(){...}
}
class B extends A{}
class C extends B{
  void foo(){...}
}
class D extends B{
  void foo(){...}
}
void resolve(){
  C c=...
  c.foo();  // Resolve(c.foo())={C.foo()} 因为当前类C存在foo方法，并且C没有子类
  A a=...
  a.foo(); // Resolve(a.foo())={A.foo(), C.foo(), D.foo()}，A存在foo，且其子类C，D也存在foo。
  B b=new B();
  b.foo(); // Resolve(b.foo())={A.foo(), C.foo(), D.foo()}，B不存在foo，所以在进行Dispatch时会查找父类
}

Dispatch时如果当前声明类有对应方法，就输出当前类的方法，没有找到才会去父类查找方法。而且由于CHA是根据声明类来查找，所以B b=new B和B b=new C()没有区别，都是要根据声明变量B类型来查找。所以它的劣势是不精准，容易引入这种伪目标方法。但是优势是速度快，只需要考虑声明变量的类型，忽略数据流和控制流信息。

PS：IDEA就是用CHA的方法来解析目标方法，长见识了！

IDEA与CHA

如何用CHA构造程序调用图？
上面说的是如何用CHA来构造一个调用点。而CHA来构造调用图是从入口方法开始(重点关注main方法)，调用过程中的可达方法（对应调用边），对每个可达方法利用CHA来解析call-site（Resolve(cs)），直到没有新的方法被发现。具体的CHA构造调用图的算法如下

Call Graph Construction: Algorithm

WL代表Worklist，代表需要被处理的方法。CG是调用图集合所有的边。RM是可达方法的集合（也就是该方法分析过了不用再分析了）。先对这三者进行初始化，只要WL不为空就一直循环：从WL取一个方法出来，如果该方法不在RM集合中，也就是个新方法，首先将方法加入到RM集合，然后遍历这个方法中的每一个call-site调用点，用Resolve(cs)来处理得到目标方法m'的集合T。然后再对T进行遍历，将其中的调用边加入到调用图中，并且将m'加入到WL。

一个例子如下：

Call Graph Construction Demo

Interprocedural Control-Flow Graph过程间控制流图

CFG表示单个方法的结构，ICFG表示整个程序的结构。通过ICFG，我们可以进行程序间分析。ICFG = CFGs + call edges & return edges。这两种edges的信息来自调用图call graph。
call edges（调用边）：从调用点到被调用点的入口节点
return edges（返回边）：从被调用方的退出节点到其调用点后面的语句

void foo() {
  bar(...); // call site：调用方法的语句
  int n = 3; // return site：紧跟着调用语句的叫return site。那么return edge就是从bar的返回语句连到int n=3
}

一个ICFG的例子如下，黑色的是cfg。蓝色的是call edges，红色的是return edges。

ICFG Demo

Interprocedural Data-Flow Analysis过程间数据流分析

顾名思义就是：基于程序间控制流图(ICFG)的方法调用分析整个程序。

相比而言，只是比CFG多了Edge transfer。它分为两种：
• Call edge transfer: 将数据流从调用点转移到被调用的入口节点（传参数）
• Return edge transfer: 将数据流从被调用方的出口节点转移到返回点（传返回值）
• Node transfer: 和过程内类似，但是对于方法调用节点b=addOne(a)，要kill左值b，因为真正值是从addOne(a)的结果流回来的。

过程间数据流分析示例如下（以常量传播为例）：

过程间数据流分析示例

b=ten()的OUT需要kill b，理由是b的值会随着return 10返回。如果没有killb，也就是保留b=7，那么在b=ten()和return 10交汇的时候会对7和10进行meet。那么会认为b不是一个常量。但实际上b=10就是一个Constant。所以在OUT时先kill b。避免精度上的损失。这个例子解释了两个问题，（1）b=addOne(a)和c=b-3之间的cfg边为什么要保留 （2）为什么OUT时要kill b。

通过例子也可以看出过程内分析是很保守的，对于b=addOne(a)会认为b是NAC，即认为不是常量。那么c=b-3也会因为b是NAC，而导致c也是NAC。而过程间分析则较为精确。