编译原理：中间代码IR

IR,中间代码(Intermediate Representation,有时也称为Intermediate Code,IC)，它是编译器中很重要的一种数据结构。编译器在做完前端工作以后，首先就生成IR,并在此基础上执行各种优化算法，最后再生成目标代码。

IR的用途和层次

设计IR的目的， 是要满足编译器中的各种需求。

需求的不同，就会导致IR的设计不同

通常情况下，IR有两种用途，一种是用来做分析和变换的，一种是直接用于解释执行的。

  • 先来看第一种：用来分析和变换的
    编译器中，基于 IR 的分析和处理工作，一开始可以基于一些抽象层次比较高的语义，这时所需要的 IR 更接近源代码。而在后面，则会使用低层次的、更加接近目标代码的语义。

基于这种从高到底的抽象层，IR可以归结为HIR/MIR和LIR三类

HIR：基于语言做一些分析和变换

假设你要开发一款 IDE，那最主要的功能包括：发现语法错误、分析符号之间的依赖关系（以便进行跳转、判断方法的重载等）、根据需要自动生成或修改一些代码（提供重构能力）。

这个时候，你对 IR 的需求，是能够准确表达源语言的语义就行了。这种类型的 IR，可以叫做 High IR，简称 HIR。

其实，AST 和符号表就可以满足这个需求。也就是说，AST 也可以算作一种 IR。 如果你要开发 IDE、代码翻译工具（从一门语言翻译到另一门语言）、代码生成工具、代码统计工具等，使用 AST（加上符号表）就够了。

基于HIR,可以做一些高层次的代码优化，比如常数折叠/内联等。在Java和Go的编译器中，可以看到不少基于AST做的优化工作。

MIR：独立于源语言和CPU架构做分析和优化

大量的优化算法是可以通用的，没有必要依赖源语言的语法和语义，也没有必要依赖具体的 CPU 架构。

这些优化包括部分算术优化、常量和变量传播、死代码删除等，实现这些类分析和优化功能的IR可以叫做Middle IR,简称MIR.

因为MIR跟源代码和目标代码都无关，所以在讲解优化算法时，通常是基于MIR,比如三地址代码(Three Address Code,TAC).

TAC的特点是：最多三个地址(也就是变量)，其中赋值符号的左边是用来写入的，而右边最多可以有两个地址和一个操作符，用于读取数据并计算。

举例：
示例函数foo:

int foo (int a){
  int b = 0;
  if (a > 10)
    b = a;
  else
    b = 10;
  return b;
}

对应的TAC可能是：

BB1:
  b := 0
  if a>10 goto BB3   //如果t是false(0),转到BB3
BB2:
  b := 10
  goto BB4
BB3:
  b := a
BB4:
  return b

可以看到，TAC 用 goto 语句取代了 if 语句、循环语句这种比较高级的语句，当然也不会有类、继承这些高层的语言结构。但是，它又没有涉及数据如何在内存读写等细节，书写格式也不像汇编代码，与具体的目标代码也是独立的。

所以，它的抽象程度算是不高不低。

LIR：依赖于CPU架构做优化和代码生成

最后一类IR就是Low IR,简称LIR

这类IR的特点，是它的指令通常可以与机器指令一一对应，比较容易翻译成机器指令(或汇编代码)。因为LIR体现了CPU架构的底层特征，因此可以做一些于具体CPU架构相关的优化。

比如，下面是 Java 的 JIT 编译器输出的 LIR 信息，里面的指令名称已经跟汇编代码很像了，并且会直接使用 AMD64 架构的寄存器名称。
Java的JIT编译器的LIR：
image

编译过程可以理解为，抽象层次高的 IR 一直 lower 到抽象层次低的 IR 的过程，并且在每种 IR 上都会做一些适合这种 IR 的分析和处理工作，直到最后生成了优化的目标代码。

扩展：lower 这个词的意思，就是把对计算机程序的表示，从抽象层次比较高的、便于人理解的格式，转化为抽象层次比较低的、便于机器理解的格式。

  • 第二类用于解释执行的IR -- P-code
    前3类IR是从抽象层次来划分的，他们都用来分析和变换的。
    第二中用于解释执行的IR,这类IR有一个名称，叫做P-code, 也就是Portable Code的意思。
    由于它于具体机器无关，因此可以很容易地运行在多种电脑上。这类IR对编译器来说，就是做编译器的目标代码。

注：P-code也可能被进一步编译，形成可以直接执行的机器码 Java 的字节码就是这样的例子。因此，在本节中探究 Java 的两个编译器，一个把源代码编译成字节码，一个把字节码编译成目标代码（支持 JIT 和 AOT 两种方式）。

IR的呈现格式

IR通常是没有书写格式的

  • 一方面，大多数的IR跟AST一样，只是编译过程中一个数据结构而已，或者说只有内存格式。比如，LLVM的IR在内存里是一些对象和接口
  • 另一方面，为了调试需要，可以把IR以文本的方式输出，用于现实和分析，比如下面的Julia的IR：
    image

在少量情况下，IR 有比较严格的输出格式，不仅用于显示和分析，还可以作为结果保存，并可以重新读入编译器中。比如，LLVM 的 bitcode，可以保存成文本和二进制两种格式，这两种格式间还可以相互转换

以 C 语言为例，来看下 fun1 函数，及其对应的 LLVM IR 的文本格式和二进制格式：

//fun1.c 
int fun1(int a, int b){
    int c = 10;
    return a+b+c;
}

LLVM IR 的文本格式("clang -emit-llvm -S fun1.c -o fun1.ll"命令生成，这里只节选了主要部分)：

; ModuleID = 'fun1.c'
source_filename = "function-call1.c"
target datalayout = "e-m:o-i64:64-f80:128-n8:16:32:64-S128"
target triple = "x86_64-apple-macosx10.14.0"

; Function Attrs: noinline nounwind optnone ssp uwtable
define i32 @fun1(i32, i32) #0 {
  %3 = alloca i32, align 4
  %4 = alloca i32, align 4
  %5 = alloca i32, align 4
  store i32 %0, i32* %3, align 4
  store i32 %1, i32* %4, align 4
  store i32 10, i32* %5, align 4
  %6 = load i32, i32* %3, align 4
  %7 = load i32, i32* %4, align 4
  %8 = add nsw i32 %6, %7
  %9 = load i32, i32* %5, align 4
  %10 = add nsw i32 %8, %9
  ret i32 %10
}

二进制格式(用"clang -emit-llvm -c fun1.c -o fun1.bc"命令生成，用"hexdump -C fun1.bc"命令显示)：
LLVM IR的二进制格式：
image

IR的数据结构

在实际的实现中，有线性结构/树结构/有向无环图(DAG)/程序依赖图(PDG)等多种格式。编译器会根据需要，选择合适的数据结构。

在运行某些算法的时候，采用某个数据结构可能会更顺畅，而采用另一些结构可能会带来内在的阻滞。所以，一定要根据具体要处理的工作特点，来选择合适的数据结构。

下面来看下各种格式的特点。

第一种：类似TAC的线性结构(Linear Form)

可以把代码表示成一行行的指令或语句，用数组或者列表保存就行了。其中的符号，需要引用符号表，来提供类型等信息。

这种线性结构有时候也被称作 goto 格式。因为高级语言里的条件语句、循环语句，要变成用 goto 语句跳转的方式。

第二种：树结构

树结构也可以用作IR,AST就是一种树结构。

树结构的缺点是：可能有冗余的子树。 比如，语句"a=5; b=(2+a)+a*3;"形成的AST就有冗余。如果基于这个树结构生成代码，可能会做两次从内存中读取 a 的值的操作，并存到两个临时变量中。
冗余的子树：
image

第三种： 有向无环图(Directed Acyclic Graph,DAG)

DAG 结构，是在树结构的基础上，消除了冗余的子树。比如，上面的例子转化成 DAG 以后，对 a 的内存访问只做一次就行了。
GAG结构消除了冗余的子树：
image
在 LLVM 的目标代码生成环节，就使用了 DAG 来表示基本块内的代码。

第四种： 程序依赖图(Program Dependence Graph，PDG)

程序依赖图，是显式地把程序中的数据依赖和控制依赖表示出来，形成一个图状的数据结构。基于这个数据结构，我们再做一些优化算法的时候，会更容易实现。

这种数据结构里，因为会有很多图节点，又被形象地称为“节点之海（Sea of Nodes）”

接下来介绍一个重要的IR设计范式：SSA格式

SSA格式的IR

SSA 是** Static Single Assignment ** 的缩写，也就是静态单赋值。 这是 IR 的一种设计范式，它要求一个变量只能被赋值一次。我们来看个例子。

“y = x1 + x2 + x3 + x4”的普通 TAC 如下：

y := x1 + x2;
y := y + x3;
y := y + x4;

其中，y被赋值三次，如果写成SSA的形式，就只能写成下面的样子：

t1 := x1 + x2;
t2 := t1 + x3;
y  := t2 + x4;

那为什么要费力写成这种形式呢，还要为此多添加t1和t2两个临时变量？

原因是，使用SSA的形式，体现了精确的使用--定义(use-def)关系，并且由于变量的值定义出来后就不再变化，使得基于SSA更容易运行一些优化算法。

在SSA格式的IR中，有些特别的指令，叫做phi指令，举个例子：
同样对于示例代码：

int foo (int a){
  int b = 0;
  if (a > 10)
    b = a;
  else
    b = 10;
  return b;
}

它对应SSA格式的IR可以写成：

BB1:
  b1 := 0
  if a>10 goto BB3
BB2:
  b2 := 10
  goto BB4
BB3:
  b3 := a
BB4:
  b4 := phi(BB2, BB3, b2, b3)
  return b4

其中，变量b有四个版本：b1是初始值，b2是else块(BB2)的取值，b3是if块(BB3)的取值，最后一个基本块(BB4)要把b的最后取值作为函数返回值。很明显，b的取值有可能是b2,也有可能是b3,这个时候，就需要phi指令了。

phi指令，会根据控制流的实际情况确定b4的值。 如果BB4的前序节点是BB2,那么b4的取值是b2；而如果BB4的前序节点是BB3,那么b4的取值就是b3.所以，如果要满足SSA的要求，也就是一个变量只能赋值一次，那么在遇到程序分支的情况下，就必须引入phi指令。

最后要指出的是：由于SSA格式的有点，现代语言用于优化的IR,很多都是基于SSA的了，包括Java的JIT编译器/JavaScript的V8编译器/Go语言的gc编译器/Julia编译器以及LLVM工具等。 所以一定要高度重视SSA.

小结

IR的几个重要概念：

  • 根据抽象层次和使用目的的不同，可以设计不同的IR.

  • IR可能采取多种数据结构，每种结构适合不同的处理工作

  • 由于SSA格式的有点，主流的编译器都在采用这种范式来设计IR

image

参考：
中间代码：不是只有一副面孔

posted @ 2022-09-24 14:49  牛犁heart  阅读(5272)  评论(0)  编辑  收藏  举报