南京大学 静态软件分析（static program analyzes）-- Datalog-Based Program Analysis 学习笔记

一、Motivation：Datalog-Based Program Analysis

声明式语言和指令式语言的区别

Datalog是一种声明式（Declarative）的编程语言，与之相对的另一种语言是命令式（Imperative）编程语言。

举一个例子说明说明两者之间的区别，

• 命令式语言是直接告诉程序需要做哪些指令（how to do），典型的如C、JAVA
• 声明式语言是告诉程序要得到什么结果（what to do），典型的如sql，声明式语言更加精炼

使用哪种语言去实现PTA？

1、使用Imperative（命令式）

若使用命令式实现PTA，实现复杂。

• worklist数据结构是数组list还是链表，是先进先出还是先进后出？
• 如何表示指针集合，hash集还是bit向量？
• 如何关联PFG节点和指针？
• 如何联系相关语句和其中的变量？

2、使用Datalog（声明式）

声明式PTA实现有以下优点：

1. 简洁
2. 可读性好
3. 易于实现

 

二、Introduction to Datalog

Datalog：是声明式编程语言，是Prolog的子集，最初用于数据库，现在广泛应用于程序分析、网络定义、大数据、云计算等。

Datalog=Data+Logic(and,or,not)

• Datalog没有副作用（没有赋值）
• 没有控制流
• 没有函数
• 非图灵完备

Predicates (Data)

1、谓词Predicates

谓词(Predicates)是datalog中的一个主要组成部分，可以看作是数据所组成的一个表(table of data)，谓词中的每一行都代表一个事实(fact)。例如：

• （”Xiaoming“，18）是一个fact
• （”Abal“，23）在该数据集中找不到，不是一个fact
• Age是一个谓词、Person也可以是一个谓词，对应到SQL里就是某个数据集中的一列

谓词Predicate可以看作一系列陈述的集合，陈述某事情的事实（真假）。如

• Age，表示一些人的年龄
• Person，表示一些人的姓名

总体上，谓词可以分为两类，

• EDB (extensional database)：在程序运行前，这些数据已经给定
• IDB (intensional database)：这一类数据仅由规则推导得来

2、事实Fact

表示一个组合是否属于一种关系，比如

• （"Xiaoming", 18）可以表示“Xiaoming的年龄是18岁”，但注意这个陈述不一定值为True。

3、原子Atoms

原子(Atoms)是Datalog中的基本元素，原子Atoms的基本格式是：P(X1, X2, ... , Xn)，

• P表示谓词名
• X_i表示参数

比如Age("Xiaoming", 18)

形式化表述和例子如下：

Atoms可以分成两类：

• Relational Atoms
• Arithmetic Atoms

Datalog Rules (Logic) 

Datalog使用规则来进行推导(inference)，总共有如下几种推导类型，

• Logic And
• Logic Or
• Logic Not/Negation
• Recursion

1、Logic And

定义如下：

当Body中的所有表达式都为True时，Head才为True，如： 

求解过程(Interpretation of Datalog Rules)是枚举Body中所有关系表达式的可能取值组合，进而得到新的predicate/table。例如： 

2、Logic Or

逻辑或有两种写法，

注意，逻辑与的优先级比逻辑或的优先级高。 

建议在书写程序时用括号明确地标识期望的运算优先级：H<-A,(B;C)。

3、Logic Not/Negation 

4、Recursion 

Rule Safety 

Rule的安全性问题需要特别关注，注意看这两条Rules看起来有什么问题，

上面两条Rule都是非安全的，这里最核心的问题在于：

由于x有无限的取值能满足规则，所以生成的A是一个无限大的关系。因此上述两条规则是不安全的。在Datalog中，只接受安全的规则。

这里我们需要记住一个判定的准则：

• 产生的数据必须有穷：如果规则中的每个变量至少在一个non-nageted relational atom中出现一次，那么这个规则是安全的。这实际上是借助已有的predicates（它们必定是有限的）来限制变量的取值范围。

类似地，还有这样的规则：

对应地有第二个准则：

• 推导规则不能出现悖论（H和Bi间出现矛盾）：不要把recursion和negation写在同一条规则里，即避免写出非A推导出A这样的循环悖论规则。  

Execution of Datalog Programs

Datalog的两大重要特性：

• 单调性。因为事实（facts）不会被删除的。
• 必然终止。
  • 事实的数量是单调的。
  • 由Rule Safety，所能得到的IDB的大小也是有限的。

 

三、Pointer Analysis via Datalog

了解了Datalog的基本语法和性质，我们就可以用它来实现声明式的指针分析算法。

关于声明式的指针分析算法，三个重要的部分如下：

• EDB: pointer-relevant information that can be extracted from program syntactically
• IDB: pointer analysis results
• Rules: pointer analysis rules

Datalog Model for Pointer Analysis-EDB&IDB

1、基本语句（New、Assign、Store、Load）

我们首先需要对前四条语句建模。输入的EDB代表了4个存储相应类型语句的table，输出为Variable和Field的指向关系。

举一个例子说明怎么对指针分析中的基本语句建模为EDB，

2、Method Calls语句

处理This

对于基于Datalog的PTA，首先，我们需要引入新的EDB和IDB：

• EDB：
  • VCall（方法调用）
  • Dispatch（表格的形式表达找到的函数）
  • ThisVar（储存变量）
• IDB：
  • Reachable（可达方法）
  • CallGraph

处理Parameters 

接下来要处理参数的传递，与之前类似，需要引入新的EDB和IDB：

• EDB：
  • Argument(调用语句行号，参数标号和参数本身)
  • Parameter(被调用方法，参数标号和参数本身)
• IDB：空

对应用Datalog书写的规则如果用自然语言描述，就是处理行号l处对m的调用时，根据形参和实参的信息，将实参已经有的指向关系传递给形参数。

处理返回值

引入新的EDB和IDB：

• EDB：
  • 方法的返回值
  • 在调用点处的接收返回值的变量
• IDB：空 

Sum up

以上三个部分总结起来，就能得到以下的Datalog Rules。

Datalog Model for Pointer Analysis-Rules 

对于New，创建语句推导出指针对对象的指向

对于Assign，赋值语句和指向信息推导出新的指向信息

对于Store，x和y的指向信息和Store语句推导出域指向信息

对于Load，Load语句、x的指向信息和域指向信息推导出y的指向信息

• Body代表前提（红线）
• Head代表结论（蓝线）

An Example

根据Datalog算法和Datalog的执行规则，分析下面这段代码，给出推导结束后的IDB。

如前面所属，EDB已知，

处理new语句，

处理assign语句，

处理store语句，

处理load语句，

最终IDB结果如下：

Whole-Program Pointer Analysis

综上，得到全程序的分析算法如下。

值得一提的是，在VarPointsTo(x，o)规则中，添加Reachable(m)跳过不可达方法中的对象。而其他规则不需要加这一条件，则是因为它们都有VarPointsTo规则作为Body的一部分。

 

四、Taint Analysis via Datalog

Datalog Model

使用Datalog进行污点分析，需要用户提供Source和Sink。输出被标记的数据可能流到的Sink方法。 

• DB：
  • Source(m : M)：source函数
  • Sink(m : M)：sink函数
  • Taint(l : S, t : T)：关联调用点和调用点处的污点数据
• IDB:
  • TaintFlow(t : T, m : M)：识别出的污染流处理规则（source和sink的处理）：

Datalog Rules

• 对于source，首先找到一条调用边，它是source，取出返回值接收变量r，以及调用点关联的污点数据t；推导出r指针指向污点数据t。
• 对于sink，首先找到一条调用边，它是sink，取出形参（不关心哪个形参），形参指向的污点数据以及确认的污染数据t（不关心t来源于哪一行）；推导出污染数据t会传给sink函数m，得到一条污染流。

 

五、Datalog的优缺点

• 优点：
  • 简洁可读
  • 易于实现
  • 得益于已有的成熟的优化引擎，速度快
• 缺点：
  • 表达能力受限，非图灵完备，有的情况处理不了（比如有的时候需要中途去掉一些sinks，Datalog就无法实现；表达单个存在很容易，但表达同时满足多个存在比较困难，通常需要双重否定）
  • 不能完全控制性能（底层已经实现了，无法再进行优化）