[논문 리뷰] Ascertaining Uncertainty for Efficient Exact Cache Analysis

Valentin Touzeau, Claire Maïza외 2명|arXiv (Cornell University)|2017. 09. 28.

Real-Time Systems Scheduling참고 문헌 16인용 수 252

한 줄 요약

본 논문은 캐시 분석에서 확실한 불확실성을 증명하기 위한 새로운 추상 해석을 도입하고, 모델 검사(model checking)를 사용하여 명령어당(또는 명령어 기준) 경로 민감한 캐시 적중/미적중의 정확한 분류를 달성한다.

ABSTRACT

Static cache analysis characterizes a program's cache behavior by determining in a sound but approximate manner which memory accesses result in cache hits and which result in cache misses. Such information is valuable in optimizing compilers, worst-case execution time analysis, and side-channel attack quantification and mitigation.Cache analysis is usually performed as a combination of `must' and `may' abstract interpretations, classifying instructions as either `always hit', `always miss', or `unknown'. Instructions classified as `unknown' might result in a hit or a miss depending on program inputs or the initial cache state. It is equally possible that they do in fact always hit or always miss, but the cache analysis is too coarse to see it.Our approach to eliminate this uncertainty consists in (i) a novel abstract interpretation able to ascertain that a particular instruction may definitely cause a hit and a miss on different paths, and (ii) an exact analysis, removing all remaining uncertainty, based on model checking, using abstract-interpretation results to prune down the model for scalability.We evaluated our approach on a variety of examples; it notably improves precision upon classical abstract interpretation at reasonable cost.

연구 동기 및 목표

• 전통적인 may/must 분석을 넘어 정적 캐시 분석의 정밀도를 향상시키기 위해 알려지지 않은 분류를 축소한다.
• 실행 간에 어떤 접근이 확실히 히트(hit)되거나 미스(miss)될 수 있는지 안전하고 재사용 가능한 방법을 제공한다.
• 추상 해석과 모델 검사를 결합하여 확정적 분류를 얻으면서도 확장성을 유지한다.

제안 방법

• 불확실성을 줄이기 위해 존재성 속성(exists hit, exists miss, exists hit ∧ exists miss)을 도출하는 새로운 추상 해석을 개발한다.
• EH (exists hit)와 EM (exists miss) 분석으로 추상 도메인을 확장하고 이를 must/may 프레임워크와 페어링한다.
• 남은 알려지지 않은 접근에 대해 정확하고 모델 검사로 검증 가능한 분류를 가능하게 하려면 집중 캐시 모델과 집중 수집 의미론을 사용한다.
• 관심 블록에 초점을 맞춘 축소된 프로그램과 캐시 모델을 사용하여 남은 분류 문제를 유한 상태 모델 검증으로 인코딩한다.
• 접근을 반복적으로 분류한다: AI가 확정적 결과를 내면 모델 검증을 건너뛰고, 그렇지 않으면 정확한 분류를 얻기 위해 모델 검증을 적용한다.

실험 결과

연구 질문

• RQ1 기존의 may/must 캐시 분석에 존재성 분석을 보강하여 일부 실행에서 히트 또는 미스할 수 있는 접근을 안전하게 식별할 수 있는가?
• RQ2 캐시 대체 정책의 집중적이고 정확한 추상화와 모델 검사를 결합하면 남아 있는 불확실한 접근에 대해 완전하고 정밀한 분류를 산출하는가?
• RQ3 추상 해석의 결과를 사용하여 모델을 가지치기함으로써 추상 주도 모델 검증을 효율적으로 확장할 수 있는가?
• RQ4 정밀도와 분석 성능을 위한 상태 공간을 블록 집중형 캐시 모델로 축소하는 것의 이점은 무엇인가?

주요 결과

• 이 접근법은 고전적인 AI만 사용했을 때보다 항상 히트 또는 항상 미스 또는 확실히 알려지지 않는 것으로 분류되는 접근의 비율이 더 크다.
• EH/EM 분석은 최소 연령과 최대 연령에 대한 안전한 경계를 제공하여 일부 실행에서의 히트 또는 미스에 대해 확실한 결론을 가능하게 한다.
• AI 결과의 가이드를 받는 모델 검증은 남은 분류를 정확한 결과(항상 히트, 항상 미스, 또는 확실히 미확정)로 완성한다.
• 집중된 캐시 모델은 정밀도를 유지하면서도 모델 복잡성을 크게 감소시켜 현실적인 벤치마크에 대해 확장 가능한 분석을 가능하게 한다.
• 산업계 유사 환경에서의 실험적 평가를 통해 추상 단계의 효과적인 가지치기로 정밀도 향상과 모델 검사 노력 감소가 나타났다.