Practical Memory Leak Detection using Guarded Value-Flow Analysis 论文阅读

这篇具有很好参考价值的文章主要介绍了Practical Memory Leak Detection using Guarded Value-Flow Analysis 论文阅读。希望对大家有所帮助。如果存在错误或未考虑完全的地方,请大家不吝赐教,您也可以点击"举报违法"按钮提交疑问。

本文于 2007 年投稿于 ACM-SIGPLAN 会议1

概述

指针在代码编写过程中可能出现以下两种问题:

  1. 存在一条执行路径,指针未成功释放(内存泄漏),如下面代码中注释部分所表明的:

    int foo()
    {
        int *p = malloc(4 * sizeof(int));
        if (p == NULL)
            return -1;
        int *q = malloc(4 * sizeof(int));
        if (q == NULL)
            return -1; // 注意这里,q为NULL时p一定不为NULL,但是函数直接返回,导致p所指向的区域未释放
        // some code to execute
        free(p);
        free(q);
        return 0;
    }
    
  2. 存在一条执行路径,指针被重复释放(未定义行为),如 free 一个空指针。

    	int *p = (int *)malloc(4 * sizeof(int));
    	int *q = p;
    	free(q);
    	q = p;
    	free(q);
    

最笨拙的方法是枚举每一条可能的路径,依次判断。但是这显然是不切实际的。因而本文的主要工作是提出一个能够发现未释放指针或重复释放指针的高效算法,并进行了代码实现,提示编写者具体可能的错误原因。即给定一个程序,找到其中可能存在的这种问题。

首先进行控制流图(Condition-Flow Graph,CFG)的约定:

  1. 赋值(运算节点): e = e ′ e=e' e=e
  2. 函数调用: e = f ( p 1 , p 2 , ⋯   , p m ) e=f(p_1,p_2,\cdots,p_m) e=f(p1,p2,,pm)
  3. 返回: return   e \texttt{return}\ e return e
  4. 分支节点: switch e ( c 1 , n 1 ; c 2 , n 2 ; ⋯   ; c k , n k ; n t ) \texttt{switch}_e(c_1,n_1;c_2,n_2;\cdots;c_k,n_k;n_t) switche(c1,n1;c2,n2;;ck,nk;nt)。即一个节点根据表达式 e e e 的值不同可以有 k + 1 k+1 k+1 个分支跳转地址,分别记作 I n = { n 1 , n 2 , ⋯   , n k , n t } I_n=\{n_1,n_2,\cdots,n_k,n_t\} In={n1,n2,,nk,nt},最后一个为默认跳转地址。

此外,本文将问题进行了规约:定义 s o u r c e − s i n k [ n , m ] {\rm source-sink}[n,m] sourcesink[n,m] 问题为从 s r c \rm src src 会流入到 [ n , m ] [n,m] [n,m] s i n k \rm sink sink 的条件可满足性问题。对于未释放,则是 s o u r c e − s i n k [ 0 , 0 ] {\rm source-sink}[0,0] sourcesink[0,0] 问题,而多次释放则是 s o u r c e − s i n k [ 2 , ∞ ] {\rm source-sink}[2,\infty] sourcesink[2,] 问题,而合法性判断是 s o u r c e − s i n k [ 1 , 1 ] {\rm source-sink}[1,1] sourcesink[1,1] 问题。

算法流程

整体算法流程图如下所示:

Practical Memory Leak Detection using Guarded Value-Flow Analysis 论文阅读,论文阅读,论文阅读

  1. 利用编译器前端搭建 CFG。
  2. 到达定值点分析
  3. 值流图构建
  4. 无条件可达性分析,即不考虑具体控制流图上条件进行的分析
  5. 条件可达性分析,即考虑控制流图上条件进行的分析。

在实现该算法的同时还需要调用:

  1. 指针区域分析,即分析流图中每个指针所指向的内存区域。
  2. 条件分析。
  3. SAT(可满足性问题)解决器,即给定一组条件约束,返回一组可满足所有条件的初始值或报告无解。下文会将本论文中提出的问题规约到可满足性问题。

到达-定值分析(Reaching-Definition Analysis)

编译原理中经典的数据流分析方法。下文中用 p d o m ( x , n , m ) pdom(x,n,m) pdom(x,n,m) 来描述变量 x x x 能不能从 CFG 上流图节点 n n n 值不发生改变的到节点 m m m。论文中的 S S S 仅为一个记忆化的集合,不做具体参数使用。 p d o m pdom pdom 的计算使用逆向数据流分析方法:
p d o m ( x , n , m ) = { t r u e , m = n f a l s e , n  没有出边(返回节点) ⋀ i ∈ I n p d o m ( x , i , m ) ∧ ¬ d e f i n e ( x , i ) , 其他情况 pdom(x,n,m)= \begin{cases} true, m=n\\ false,\text{$n$ 没有出边(返回节点)}\\ \bigwedge_{i \in I_n} pdom(x,i,m) \wedge ^\lnot{define}(x,i),\text{其他情况} \end{cases} pdom(x,n,m)= true,m=nfalse,n 没有出边(返回节点)iInpdom(x,i,m)¬define(x,i),其他情况
其中 d e f i n e ( x , i ) define(x,i) define(x,i) 表示 i i i 节点没有进行对变量 x x x 的赋值操作。

构建值流图(Value-Flow Graph)

在构建值流图之前首先需要介绍 free 函数的工作原理或特性。它释放传入参数给定的指针所指向的区域,也就是说它是针对内存区域而非指针的。例如下面的两个例子:

  1. 下面代码中 p1p2 指针所指向的区域都被释放了。
			int *p1 = malloc(4 * sizeof(int)), *p2 = malloc(6 * sizeof(int));
          	int *q = p1;
          	free(q);
          	q = p2;
          	free(q);
  1. 下面代码中 p 指针指向区域并未完全释放——p 指针所指向的区域仍有一个 int 大小的空间未释放。
			int *p = malloc(4 * sizeof(int));
          	int *q = p + 1;
          	free(q);

基于以上两个特性,构建如下的节点:

  1. 赋值(运算)节点。针对 CFG 上每个形如 x = y x=y x=y 形式的赋值语句都对应一个 VFG 的节点。

  2. 内存区域节点。由于 free 是针对区域而非指针型变量,因而需要用一个单独的节点描述它是否有被释放的途径。该部分节点用 n r n_r nr 表示,可以使用这篇论文2中的方法快速描述代码中每个指针可能对应的内存区域集合。

    这里还需要注意的是,由于指针存在加减法操作,因而这里需要额外使用一个偏移量来去衡量该内存地址的具体使用情况。

  3. 释放节点。每个 free 函数调用的节点都对应一个 VFG 上的汇(sink)点。

  4. 函数调用实参节点。由于进行函数调用,可以视为进行一次变量的值使用,记为 x @ n x_{@}n x@n

  5. 函数调用形参节点。在被调用函数(callee)中该函数作为新变量使用,同时它对应于调用函数(caller)的一个变量。为避免函数多次调用导致边关系混乱,因而新建一个形参节点以解决图过于混乱的问题,记为 [ p ] [p] [p]

  6. 函数返回节点。函数的返回值可能在 caller 中作为一个新变量继续存在,并涉及后续赋值和计算。

遍历 CFG,按如下规则建图(假设当前节点为 n n n):

  1. 赋值语句 y = x y=x y=x、释放节点 f r e e ( x ) free(x) free(x)、返回节点 r e t u r n ( x ) return(x) return(x):将所有 x x x 的定值点集合 n x n_x nx 建立一条边连到 n n n 节点。
  2. y = f ( x 1 , x 2 , ⋯   , x m ) y=f(x_1,x_2,\cdots,x_m) y=f(x1,x2,,xm):对于每个函数实参 x i x_i xi,首先将 x i x_i xi 的定值点集合连接一条边到对应的实参节点( n x i → x i @ n n_{x_i} \to {x_i}_@n nxixi@n),然后每个实参节点连接到形参节点 x i @ n → p i {x_i}_{@}n \to p_i xi@npi,最后将 callee 函数的返回节点 n r e t f n_{\rm ret}^f nretf 连接到当前函数调用节点(该语句可以视为一种特殊类型的赋值语句) n r e t f → n n_{\rm ret}^f \to n nretfn
  3. 对于赋值变量中 x x x y y y 不是一个有效节点的(如 malloc 函数返回的堆区域指针),调用内存区域查询函数返回对应的内存区域节点。

无条件可达性分析(Unguarded Reachability Detection)

该步骤中忽略了程序流图中的条件,即认为所有的边都是可走到的,在这种情况下先简单分析是否每个 malloc 函数都有至少一个 free 与之对应。

  1. 枚举一个起始点 s r c src src,首先找到 VFG 顺向流图中可到达节点集合 F s r c F_{src} Fsrc
  2. 找到 F s r c F_{src} Fsrc 中所有的 free 语句对应节点,记为 K K K
  3. 分类讨论:
    1. 如果 K K K 为空,则该 malloc 语句无对应 free 语句,直接报告内存泄漏。
    2. 如果从该 s r c src src 节点可以到达一个内存区域节点,则说明该代码片段中存在全局变量,暂时不继续分析该代码的内存泄漏问题,直接退出。
    3. 找到能从 s r c src src 到并且能到达 K K K 的集合 R R R,并将 R R R 集合传递到下一步继续分析。

条件可达性分析(Guarded Reachability Detection)

预处理

首先在 CFG 上进行条件分析。考虑每个分支节点 n n n 需要满足其分支出口唯一,即对于分支节点 n n n switch e ( c 1 , n 1 ; c 2 , n 2 ; c k , n k ; n t ) \texttt{switch}_e(c_1,n_1;c_2,n_2;c_k,n_k;n_t) switche(c1,n1;c2,n2;ck,nk;nt),需要满足:
C n = [ ⋁ i ( e = c i ) n ] ∧ [ ⋀ i ≠ j ( e = c i ) n ∧ ( e = c j ) n ‾ ] C_n=\left [\bigvee_{i}(e=c_i)_n\right] \wedge \left[\bigwedge_{i \ne j} \overline{(e=c_i)_n \wedge (e=c_j)_n}\right] Cn=[i(e=ci)n] i=j(e=ci)n(e=cj)n
即存在一条出路,且不存在一个条件同时满足两条出路。

定义函数 c g ( x , n , m ) cg(x,n,m) cg(x,n,m)(下简写成 c g u a r d ( n → m ) cguard(n \to m) cguard(nm),其中程序点 n n n 为形如 x = e x=e x=e 的赋值语句)表示变量 x x x 从程序点 n n n m m m 需要满足的输入条件集合,有如下递推:
c g ( x , n , m , E ) = { t r u e , 如果满足支配关系即   p d o m ( x , n , m ) c g ( x , n 1 , m , E ) , n   处无分支, n 1   为   n   语句的唯一后续语句 ⋁ i ∈ I n , x , E c o n d ( n , n i , E ) ∧ c g ( x , n i , m , E ∪ { ⟨ n , n i ⟩ } ) , 其他情况 cg(x,n,m,E)= \begin{cases} true,\texttt{如果满足支配关系即 $pdom(x,n,m)$}\\ cg(x,n_1,m,E),\texttt{$n$ 处无分支,$n_1$ 为 $n$ 语句的唯一后续语句}\\ \bigvee_{i \in I_{n,x,E}} cond(n,n_i,E) \wedge cg(x,n_i,m,E \cup \{\langle n,n_i\rangle\}),\texttt{其他情况} \end{cases} cg(x,n,m,E)= true,如果满足支配关系即 pdom(x,n,m)cg(x,n1,m,E),n 处无分支,n1  n 语句的唯一后续语句iIn,x,Econd(n,ni,E)cg(x,ni,m,E{⟨n,ni⟩}),其他情况
其中 I n , x , E I_{n,x,E} In,x,E 表示满足后续节点不是形如 d e f i n e ( n i , x ) define(n_i,x) define(ni,x) ⟨ n , n i ⟩ \langle n,n_i \rangle n,ni 不在 E E E 中的后续节点集合 { n i } \{n_i\} {ni} c o n d ( n , n i , E ) cond(n,n_i,E) cond(n,ni,E) 函数表示从 n n n 节点走到 n i n_i ni 节点所需要满足的条件,并且要求 n n n 节点后续不能有 E E E 中的边:
c o n d ( n , n i , E ) = { ( e = c i ) n , n   是一个分支节点,且   n   的后续集合不在   E   集合中 t r u e , 其他情况 cond(n,n_i,E)= \begin{cases} (e=c_i)_n,\texttt{$n$ 是一个分支节点,且 $n$ 的后续集合不在 $E$ 集合中}\\ true,\texttt{其他情况}\\ \end{cases} cond(n,ni,E)={(e=ci)n,n 是一个分支节点,且 n 的后续集合不在 E 集合中true,其他情况
这里 ( e = c i ) n (e=c_i)_n (e=ci)n 表示在程序分支判断点 n n n 处进行条件判断 e = c i e=c_i e=ci

这里加入 E E E 集合(已遍历的边集合)作为参数是方便代码实现上的,由于流图中可能有环存在,因而不能重复遍历同一条边,通过在状态中多维护一个 E E E 集合可以有效防止重复遍历到同一条边。在 c o n d cond cond 中,显然要进入循环然后退出该循环需要同时满足在循环的出口判断中 e = c i e=c_i e=ci e ≠ c i e \ne c_i e=ci,这显然是永假的。因而这里加入了边的限制条件以防止上述情况的出现。

当然这里会存在一个小漏洞就是仅判断了循环入口点的条件,只有当循环未执行的时候才判断了出口点的条件。这里会对未释放问题的判定产生一定的影响,但是对多重释放不会。

接下来就是考虑利用这些条件在 VFG 上进行条件判断。同样定义 v g u a r d ( n , m ) = v g ( n , m ) vguard(n,m)=vg(n,m) vguard(n,m)=vg(n,m) 函数表示从 VFG 图上 n n n 节点走到 m m m 的约束条件集合,有:
v g ( n , m , E ) = { t r u e , n = m ⋁ n → n ′ ∈ E c g u a r d ( n → n ′ ) ∪ v g ( n ′ , m , E ∪ { n → n ′ } ) , 其他情况 vg(n,m,E)= \begin{cases} true,n=m\\ \bigvee_{n \to n' \in E} cguard(n \to n') \cup vg(n',m,E \cup \{n \to n'\}),\texttt{其他情况} \end{cases} vg(n,m,E)={true,n=mnnEcguard(nn)vg(n,m,E{nn}),其他情况
和在 CFG 上的情况类似,这里只需要在 VFG 图上再加入 CFG 上的信息即可。

分析过程

考虑对于一个确定的 s r c src src 节点和所有该指针的释放操作汇点 K K K,在 2.3 节中阐述的 R R R 集合上进行分析。定义 G k = v g u a r d ( s r c , k ) G_k=vguard(src,k) Gk=vguard(src,k) C C C R R R 上所有的分支节点需要满足的 C n C_n Cn 的与集合。此时就满足了一个 SAT 问题的框架:

  1. 如果此处存在一组初值指派满足 ∨ k ∈ K G k ‾ ∧ C \overline{\vee_{k \in K} {G_k}} \wedge C kKGkC,则表明存在某种初值指派,使得从该 s r c src src 语句无法走到任何一个汇点,即发生了内存泄漏。
  2. 如果存在一组初值指派,满足 ∃ i ≠ j , G i ∧ G j ∧ C \exists i \ne j,G_i \wedge G_j \wedge C i=j,GiGjC,则表明某组初值指派可以到达两个不同的 free 语句,进行多次释放操作,因而发生未定义行为(Undefined Behavior)。

可以注意到上述的操作时间复杂度是比较高的,特别是对于有大量 malloc 语句存在的时候。因而本文中仅对操作数不超过阈值 30 30 30 的代码进行分析。

实验结果

本文同时实现了代码,将所有的错误种类分成以下几类:

  1. 从未释放。又分为:a)指针作为局部变量在 main 函数或其他函数未释放;b)指针作为全局变量或存在于数组等结构中未释放。
  2. 释放。又分为:a)一切条件下都能释放;b)某些情况下能释放,有些情况未释放。
  3. 不能判定,认为释放了。这种情况通常因为分析语句过多导致超过阈值停止分析。

下表是该方法在进行 SPEC2000 程序检测时的测试数据。
Practical Memory Leak Detection using Guarded Value-Flow Analysis 论文阅读,论文阅读,论文阅读

本文相较于当时的内存检测软件在性能和误判率上有一定提升。
Practical Memory Leak Detection using Guarded Value-Flow Analysis 论文阅读,论文阅读,论文阅读

本文最后也就实际代码编写中发生的内存泄露情况进行了一定的分析。


  1. Cherem S, Princehouse L, Rugina R. Practical memory leak detection using guarded value-flow analysis[C]//Proceedings of the 28th ACM SIGPLAN Conference on Programming Language Design and Implementation. 2007: 480-491. ↩︎

  2. Bjarne Steensgaard. Points-to analysis in almost linear time. In Proceedings of the ACM Symposium on the Principles of Programming Languages, St. Petersburg Beach, FL, January 1996. ↩︎文章来源地址https://www.toymoban.com/news/detail-718511.html

到了这里,关于Practical Memory Leak Detection using Guarded Value-Flow Analysis 论文阅读的文章就介绍完了。如果您还想了解更多内容,请在右上角搜索TOY模板网以前的文章或继续浏览下面的相关文章,希望大家以后多多支持TOY模板网!

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: 如若内容造成侵权/违法违规/事实不符,请点击违法举报进行投诉反馈,一经查实,立即删除!

领支付宝红包 赞助服务器费用

相关文章

  • Learning Memory-guided Normality for Anomaly Detection 论文阅读

    文章信息: 发表于:cvpr2020 原文:https://arxiv.org/abs/2003.13228 代码:https://github.com/cvlab-yonsei/MNAD 我们致力于解决异常检测的问题,即在视频序列中检测异常事件。基于卷积神经网络(CNNs)的异常检测方法通常利用代理任务,比如重建输入视频帧,以在训练时学习描述正常情况

    2024年02月03日
    浏览(58)
  • Intellij IDEA detected unusually high memory use

    2.1 修改IDEA的内存堆 运行IntelliJ IDEA的Java虚拟机(JVM)分配一些预定义的内存量。默认值取决于平台。如果您遇到速度减慢,可能需要增加内存堆。 为运行IDE分配的堆大小与编译应用程序的堆大小不同。如果要为编译代码的生成过程配置堆大小,请打开设置Ctrl-Alt-S键,选择构

    2024年02月11日
    浏览(28)
  • 3D异常检测论文笔记 | Shape-Guided Dual-Memory Learning for 3D Anomaly Detection

    参考:https://paperswithcode.com/sota/3d-anomaly-detection-and-segmentation-on 论文:https://openreview.net/pdf?id=IkSGn9fcPz code:https://github.com/jayliu0313/Shape-Guided 我们提出了一个形状引导的专家学习框架来解决无监督的三维异常检测问题。我们的方法是建立在两个专门的专家模型的有效性和他们的

    2024年02月09日
    浏览(71)
  • 【开放域目标检测】一:Open-Vocabulary Object Detection Using Captions论文讲解

    出发点是制定一种更加通用的目标检测问题,目的是借助于大量的image-caption数据来覆盖更多的object concept,使得object detection不再受限于带标注数据的少数类别,从而实现更加泛化的object detection,识别出更多novel的物体类别。 尽管深度神经网络在目标检测方面具有显著的准确

    2024年02月11日
    浏览(42)
  • AnoDDPM: Anomaly Detection with Denoising DiffusionProbabilistic Models using Simplex Noise论文学习

    1.在基于重建的异常检测中, 不需要全长马尔可夫链扩散 。这导致我们开发了一种 新的部分扩散异常检测策略 ,可扩展到 高分辨率图像 ,名为 AnoDDPM 。 2.高斯扩散不能捕获较大的异常,因此,我们开发了一个 多尺度的单纯形噪声扩散过程 来 控制目标异常大小。 1.DDPM能够从

    2024年02月09日
    浏览(44)
  • 【微信小程序警告】property received type-uncompatible value: expected <String> but get null value. Used empty

    微信小程序警告property received type-uncompatible value: expected but get null value. Used empty 遇到这种错误多半是在wxml文件中写入了未在js文件中定义的值,上图: 解决办法:只需要在data中定义value即可

    2024年02月11日
    浏览(62)
  • Angular 异常 NG0904: unsafe value used in a resource URL context

    问题描述 主要是用变量对iframe页面的参数进行赋值时报错,直接使用字符串不会报错、 故障原因 -因为在iframe中执行angular不信任的操作,需要使用angular提供的DomSanitizer 解决办法 使用Angular提供的DomSanitizer 创建一个Pipe 声明Pipe 使用pipe 参考链接 1.Unsafe value used in a resource URL

    2024年02月13日
    浏览(38)
  • vscode里面报:‘xxx‘ is assigned a value but never used.解决办法

    const setCurPage: React.DispatchReact.SetStateActionnumber 已声明“setCurPage”,但从未读取其值。ts(6133) \\\'setCurPage\\\' is assigned a value but never used.eslint@typescript-eslint/no-unused-vars 出现这个报错是eslint导致的,所以需要修改eslint的配置:可以看官方文档提示no-unused-vars | typescript-eslint  只需要简单

    2024年02月13日
    浏览(39)
  • 勾选Use Microlib报错,解决编译出现Undefined symbol __use_two_region_memory 和Undefined symbol __initial_sp的问题

    在使用STM32串口打印函数过程中,我们往往会勾选 Use Microlib . 但是近期发现,勾选后编译会报俩个错误。 1. Undefined symbol __use_two_region_memory 2. Undefined symbol __initial_sp 解决方法:         打开 startup_stm32f103xb.s 文件, 翻到最底下找到图片中的两个语句。 将两句先 注释,编译,

    2024年02月13日
    浏览(78)
  • 【论文笔记】Out-of-Distribution Detection using Combination of Feature Uncertainty and Mahalanobis

    论文:Fine-Grained Out-of-Distribution Detection of Medical Images using Combination of Feature Uncertainty and Mahalanobis Distance 参考:Fine-Grained Out-of-Distribution Detection of Medical Images using Combination of Feature Uncertainty and Mahalanobis Distance 一、摘要 自动医学图像分类方法经常面临属于训练期间未见过的疾病

    2024年02月19日
    浏览(33)

觉得文章有用就打赏一下文章作者

支付宝扫一扫打赏

博客赞助

微信扫一扫打赏

请作者喝杯咖啡吧~博客赞助

支付宝扫一扫领取红包,优惠每天领

二维码1

领取红包

二维码2

领红包