基于扩展控制流图的片上存储器分配策略

本文提出一种基于扩展控制流图(ECFG)的片上存储器(Scratch-Pad Memory,SPM)分配策略,该策略首先把程序划分为全局变量、全局堆栈、指令块等节点,用包含节点和节点间关系的ECFG来描述应用程序,接着采用考虑了节点间关系的改进的背包算法把选中的节点分配到SPM中.实验表明该策略比采用单纯背包算法的SPM分配策略减少应用程序执行时间11%,比不使用SPM时减少56%,大大提高了SoC存储子系统的性能.

基于块的流图模型及其控制流图

针对传统的流图模型存在的定位困难以及无法给出覆盖率信息等问题,提出了基于块的流图模型及其基本图式.该模型巧妙地借鉴了集成电路布线的思想,极易从控制流图定位到程序代码,而且在流图上附有覆盖率等信息,尤其适合应用到具体的工程测试中进行排错和覆盖分析.最后,给出基于块的流图模型的两种不同的表现形式:BlockFlow图和BlockDiagram图.这两种形式表明基于块的控制流图模型是非常有效的.

基于基本块标识方法的控制流图生成器设计

设计一个实用的程序控制流分析工具需要解决非结构程序中goto等语句的控制流图构造问题。C语言程序控制流图生成器CfgGen的设计采用基于基本块标识的控制流图构造方法解决该问题。CfgGen程序基于规则,通过语法制导翻译标识基本块、构造控制流图,易移植和维护。CfgGen构造的控制流图标识了基本块,可以很方便地用于程序分析和优化。

控制流图上支配关系计算方法的分析与实现

支配关系在数据流分析和静态单赋值等程序分析和优化中应用很广泛。采用位向量表示支配结点集合,描述了采用迭代法计算控制流图上支配结点集合的算法,在支配结点集合的基础上讨论了对直接支配结点、支配边界结点的计算方法,并在NPB和SPEC2000测试集上进行了测试。测试结果表明:控制流图的构建占用了过程内支配关系计算的几乎一半时间;对于不包含goto语句的结构化程序,迭代算法一般只需迭代2次。

程序控制流图：一种可观化的程序设计工具

本文详细地介绍了一种可视化的程序设计工具：控制流图（ＣＦＧ）。该图表示一个过程内所有基本块执行的可能流向，也能反映一个过程的实时执行过程。除了描述ＣＦＧ所具有的功能外，本文还论述了ＣＦＧ的实现途径以及使用方法。最后，给出了进一步改进的方向。

基于控制流图的软件覆盖测试关键技术研究

覆盖测试是对测试过程的度量,这个度量直接关系到软件的开发、集成和测试等操作的各个阶段。而控制流图在软件测试中起着非常重要的作用,并且基于控制流图的覆盖数据是很容易用测试工具来自动收集并分析的,而通过关键技术程序插装可以实现软件覆盖测试。

路径覆盖中控制流图的自动生成技术

在软件测试的静态测试技术中,路径覆盖能保证最大程度的代码覆盖率,路径测试用例设计和程序环路复杂度度量都需要用到控制流图。介绍了软件静态测试常用技术和路径覆盖的相关概念,提出了自动生成模块控制流图的思想,并给出了自动分析和生成程序的关键算法。

基于控制流图的Java语言动态例化系统探讨

例化是一种分段计算的程序优化技术,部分求值和数据例化是2种例化方法,它们通过前段计算对程序进行优化。将部分求值和数据例化结合起来,运用一种基于控制流图的例化方法,实现了一个基于控制流图的Java语言动态例化系统——JgenEval。

一种面向二进制的控制流图混合恢复方法

控制流图恢复是进行二进制文件安全性分析的基础,静态恢复分析速度快,但其精确度欠缺;动态恢复方法的优点是精确度高,但分析效率较低。将两者优点结合,提出了面向二进制程序的混合分析恢复方法,在对二进制文件进行静态分析生成控制流图的基础上,结合局部符号执行技术和反向切片技术对间接分支跳转的目的地址进行求解,之后再分析边和节点的可达性,合并不可达的边和节点。经实验验证,混合方法的分析效率与静态方法相近,远高于纯动态分析方法,其精确度较静态方法有较大提高。

一种用于类的数据流测试中构造控制流图的算法

分析类的数据流,说明数据的定义-使用对;给出构造类的控制流图的一种算法.

AOP程序控制流图的生成方法

面向方面编程AOP(Aspect Oriented Programming)为开发者提供了一种机制来描述横切关注点。它能够自动地将横切关注点织入到面向对象的软件系统中,从而实现了横切关注点的模块化。然而AOP这种对横切关注点封装、织入的独特性为分析程序结构带来了困难,对传统的程序分析技术提出了新课题。通过分析AOP程序的特殊性,提出了基于AspectJ构造AOP程序控制流图的方法。该方案可以为AOP程序的理解、验证、测试以及重构提供控制流分析平台。

基于程序控制流图源代码相似程度分析系统

源代码相似程度分析在软件工程和计算机教学等领域都有重要的应用.软件工程领域的源代码盗窃和著作权纠纷仲裁,计算机教学领域的学生作业作弊分析都需要源代码相似程度的分析.良好的源代码相似程序分析软件还可以应用于相似代码聚类和搜索引擎的源代码搜索领域.尽管源代码相似程度分析问题由来已久,但是这个问题并没有令人十分满意和惊喜的研究结果.源代码有其特殊结构,使用传统的纯文本相似度分析显然是不合适的.将首先介绍这个问题的研究历史和进展,简单分析这个问题的难点所在,继而介绍一个新的基于程序控制流图分析的源代码相似程度分析系统,并给出其算法和实现细节.文章最后将分析这个方法的优劣所在,讨论这个方法的进一步改进方向.

基于混合分析的二进制程序控制流图构建方法

构建控制流图(CFG)是二进制程序分析的基础工作,针对静态构建方法无法处理间接跳转,动态构建方法效率低、不适用于大规模程序的问题,提出结合静态分析和动态分析的混合分析方法.使用静态分析获得基础的控制流信息;采用模糊测试生成测试用例以进行动态分析,利用动态插桩获得间接跳转信息;融合静态分析和动态分析结果生成控制流图.基于该混合分析方法,设计并实现了面向x86平台二进制程序的控制流图构建工具CFGConstructor.分别在示例程序和CGC数据集上进行实验,评估该工具的有效性和性能.实验结果表明CFGConstructor相比于静态分析能够构建更加完备的控制流图,相比于动态分析分析效率更高,能够适用于大规模程序.

基于符号执行的Android原生代码控制流图提取方法

提出了一种基于符号执行的控制流图提取方法,该方法为原生库中的函数提供了符号执行环境,对JNI函数调用进行模拟,用约束求解器对符号进行求解。实现了控制流图提取原型系统CFGNative。实验结果表明,CFGNative可准确识别样例中所有的JNI函数调用和原生方法,并能够在可接受的时间内达到较高的代码覆盖率。

基于C程序的控制流图生成器的设计和实现

在对控制流图生成算法进行深入研究的基础上,基于分析器自动生成工具ANTLR,利用语法制导翻译技术,构造具有自动生成程序控制流图功能的语法分析器,并最后对实验生成的控制流图进行可视化输出。

基于控制流图的测试数据生成算法

基于进化算法的进化测试就是一种有效的测试数据自动生成技术。提出了一种基于控制流图的测试数据生成算法,根据控制流图映射出所有可能的执行路径,然后根据不同的路径所形成的适值地形的导向进行搜索。

面向代码搜索的函数功能多重图嵌入

如何提高异构的自然语言查询输入和高度结构化程序语言源代码的匹配准确度,是代码搜索的一个基本问题.代码特征的准确提取是提高匹配准确度的关键之一.代码语句表达的语义不仅与其本身有关,还与其所处的上下文相关.代码的结构模型为理解代码功能提供了丰富的上下文信息.提出一个基于函数功能多重图嵌入的代码搜索方法.在所提方法中,使用早期融合的策略,将代码语句的数据依赖关系融合到控制流图中,构建函数功能多重图来表示代码.该多重图通过数据依赖关系显式表达控制流图中缺乏的非直接前驱后继节点的依赖关系,增强语句节点的上下文信息.同时,针对多重图的边的异质性,采用关系图卷积网络方法从函数多重图中提取代码的特征.在公开数据集的实验表明,相比现有基于代码文本和结构模型的方法,所提方法的MRR提高5%以上.通过消融实验也表明控制流图较数据依赖图在搜索准确度上贡献较大.

进程控制流完整性保护技术综述

控制流劫持攻击利用程序内存漏洞获取程序的控制权,进而控制程序执行恶意代码,对系统安全造成极大的威胁.为了应对控制流劫持攻击,研究人员提出了一系列的防御手段.控制流完整性是一种运行时防御方法,通过阻止进程控制流的非法转移,来确保控制流始终处于程序要求的范围之内.近年来,越来越多的研究致力于解决控制流完整性的相关问题,例如提出新的控制流完整性方案、新的控制流完整性方案评估方法等.首先阐述了控制流完整性的基本原理,然后对现有控制流完整性方案进行了分类,并分别进行了分析,同时介绍了现有针对控制流完整性方案的评估方法与评价指标.最后,对控制流完整性的未来工作进行了展望,以期对未来的控制流完整性研究提供参考.

基于自由边控制流图的路径覆盖分析实现方法

针对路径覆盖测试,给出了一般循环结构的一种简化处理方案及把按此方案得到的控制流图转化为自由边控制流图方法,并探讨了基于自由边控制流图进行路径覆盖分析的实现方法和优点。

基于异构指令图的恶意软件分类方法研究

恶意软件是当今互联网上最大的安全威胁之一。目前基于图深度学习的恶意软件分类研究未考虑同家族恶意软件的控制流信息所隐含的内在相似性。针对该问题提出了一种基于异构指令图的恶意软件分类方法MCHIG,包括三个阶段:异构指令图生成、结点嵌入和恶意软件分类,首先生成数据集MyHIG,再应用GraphSAGE对不同类型的边分别进行消息传递,完成异构指令图文件结点分类和指令结点嵌入,最后基于控制流图完成恶意软件分类任务。在BIG2015数据集上嵌入阶段的分类精度达到97.81%,分类阶段分别进行了五折和十折交叉验证,其中十折交叉验证的性能更佳,准确度达到99.91%,在BODMAS_mini少样本数据集上,在嵌入阶段达到96.53%,在分类阶段达到98.76%,优于目前较先进的其他恶意软件分类模型。