[论文解读] A family of abstract interpretations for static analysis of concurrent higher-order programs

Matthew Might, David Van Horn|arXiv (Cornell University)|Mar 26, 2011

Logic, programming, and type systems参考文献 16被引用 9

一句话总结

本文提出了一种用于并发高阶程序静态分析的抽象解释族，引入了 P(CEK⋆)S 机器作为具体模型，并推导出可同时计算控制流分析（CFA）与可能并发执行（MHP）分析的抽象解释。通过在进程上使用单例抽象提升 MHP 精度，并通过合并线程交错来加速 CFA，实现了对具有头等连续性和动态线程创建的程序的精确、上下文敏感的静态分析。

ABSTRACT

We develop a framework for computing two foundational analyses for concurrent higher-order programs: (control-)flow analysis (CFA) and may-happen-in-parallel analysis (MHP). We pay special attention to the unique challenges posed by the unrestricted mixture of first-class continuations and dynamically spawned threads. To set the stage, we formulate a concrete model of concurrent higher-order programs: the P(CEK*)S machine. We find that the systematic abstract interpretation of this machine is capable of computing both flow and MHP analyses. Yet, a closer examination finds that the precision for MHP is poor. As a remedy, we adapt a shape analytic technique-singleton abstraction-to dynamically spawned threads (as opposed to objects in the heap). We then show that if MHP analysis is not of interest, we can substantially accelerate the computation of flow analysis alone by collapsing thread interleavings with a second layer of abstraction.

研究动机与目标

• 为解决具有头等连续性和动态创建线程的并发高阶程序的静态分析挑战。
• 为在这些程序中系统性地计算控制流分析（CFA）与可能并发执行（MHP）分析提供框架。
• 通过将传统的形状分析技术适配于线程结构，克服标准抽象解释在处理头等连续性和动态线程创建时 MHP 分析精度不足的问题。
• 通过引入第二层抽象层来合并所有线程交错，在牺牲部分 MHP 精度的代价下，加速 CFA 计算。

提出的方法

• 定义 P(CEK⋆)S 机器为一种非确定性抽象机器，用于建模具有显式线程管理和连续性处理的并发高阶计算。
• 对 P(CEK⋆)S 机器进行系统性抽象解释，推导出参数化于上下文敏感性和线程划分的 CFA 与 MHP 分析的双层层次结构。
• 对动态创建的线程应用单例抽象，通过追踪线程身份和数量，将线程身份视为形状属性，从而提升 MHP 精度，类比于对堆对象的形状分析。
• 引入第二层抽象，以合并所有线程交错，通过减少状态空间来实现 CFA 计算的显著加速。
• 分析采用基于格的不动点计算，在抽象状态上进行单调位向量传播以计算可达性。
• 该框架支持单变体和上下文敏感分析，其复杂度取决于抽象线程 ID 数量、上下文数、地址数和值数。

实验结果

研究问题

• RQ1 如何设计一个统一的抽象解释框架，以同时计算并发高阶程序的控制流分析与可能并发执行分析？
• RQ2 当存在头等连续性和动态线程创建时，标准抽象解释在捕捉精确线程交互方面存在哪些局限性？
• RQ3 传统上用于堆对象的形状分析技术，能否被适配以分析动态创建线程的结构与身份？
• RQ4 在不损害安全性的情况下，线程交错在多大程度上可以被抽象化以加速数据流分析？

主要发现

• 对 P(CEK⋆)S 机器的抽象解释成功计算了并发高阶程序的 CFA 与 MHP 分析，即使在存在头等连续性和动态线程创建的情况下也成立。
• 标准抽象解释由于线程抽象过粗，无法区分由连续性捕获创建的独立线程，导致 MHP 精度较差。
• 对线程应用单例抽象——将线程身份视为形状属性——通过追踪线程数量并区分复制线程，显著提升了 MHP 精度。
• 引入第二层抽象以合并所有线程交错，可显著加速 CFA，减少状态空间，同时保持流分析的安全性。
• 对于单变体分析，分析复杂度为多项式时间；对于共享环境的上下文敏感分析，复杂度为指数时间，与经典 CFA 一致。
• 该框架具有可扩展性，可与现有分析（如安全未来分析）结合，同时消除顺序与并行层面的低效。