論文の概要: Flow Sensitivity without Control Flow Graph: An Efficient Andersen-Style Flow-Sensitive Pointer Analysis
- arxiv url: http://arxiv.org/abs/2508.01974v1
- Date: Mon, 04 Aug 2025 01:20:54 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-08-12 13:50:23.961137
- Title: Flow Sensitivity without Control Flow Graph: An Efficient Andersen-Style Flow-Sensitive Pointer Analysis
- Title（参考訳）: 制御フローグラフのないフロー感性:効率的なアンデルセン型フロー感性ポインター解析
- Authors: Jiahao Zhang, Xiao Cheng, Yuxiang Lei,
- Abstract要約: フローセンシティブなポインタ分析は、エイリアス解析、テイント分析、プログラム理解、コンパイラ最適化などに広く使われている。
制御フローグラフに基づく既存のフローセンシティブなポインタ解析手法は,ポインタ解析の精度を大幅に向上させた。
制御フローグラフ解析の非効率性を克服するフローセンシティブなポインタ解析であるCG-FSPTAを提案する。
- 参考スコア（独自算出の注目度）: 4.513381877696149
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Flow-sensitive pointer analysis constitutes an essential component of precise program analysis for accurately modeling pointer behaviors by incorporating control flows. Flow-sensitive pointer analysis is extensively used in alias analysis, taint analysis, program understanding, compiler optimization, etc. Existing flow-sensitive pointer analysis approaches, which are conducted based on control flow graphs, have significantly advanced the precision of pointer analysis via sophisticated techniques to leverage control flow information. However, they inevitably suffer from computational inefficiencies when resolving points-to information due to the inherent complex structures of control flow graphs. We present CG-FSPTA, a Flow-Sensitive Constraint Graph (FSConsG) based flow-sensitive pointer analysis to overcome the inefficiency of control-flow-graph-based analysis. CG-FSPTA uses a flow-sensitive variant to leverage the structural advantages of set-constraint graphs (which are commonly used in flow-insensitive pointer analysis) while keeping the flow sensitivity of variable definitions and uses, allowing the incorporation of sophisticated graph optimization and dynamic solving techniques. In this way, CG-FSPTA achieves significant efficiency improvements while keeping the precision of flow-sensitive analysis. Experimental evaluations on benchmark programs demonstrate that CG-FSPTA, significantly reduces both memory usage and execution time while maintaining precision. In particular, by solving in the FSConsG, CG-FSPTA achieves an average memory reduction of 33.05\% and accelerates flow-sensitive pointer analysis by 7.27x compared to the state-of-art method. These experimental results underscore the efficacy of CG-FSPTA as a scalable solution to analyze large-scale software systems, establishing a robust foundation for future advancements in efficient program analysis frameworks.
- Abstract（参考訳）: フローセンシティブなポインタ解析は、制御フローを組み込むことで、ポインタの挙動を正確にモデル化するための、正確なプログラム解析の不可欠な要素である。
フローセンシティブなポインタ分析は、エイリアス解析、テイント分析、プログラム理解、コンパイラ最適化などに広く使われている。
制御フローグラフに基づく既存のフローセンシティブなポインタ解析手法は,制御フロー情報を活用するための高度な技術を用いて,ポインタ解析の精度を大幅に向上させた。
しかし、制御フローグラフの固有の複雑な構造のため、ポイント・トゥ・インフォメーションを解く際には、計算の非効率さに必然的に悩まされる。
本稿では,フロー感性制約グラフ(FSConsG)に基づくフロー感性ポインタ解析であるCG-FSPTAを提案する。
CG-FSPTAは、可変定義のフロー感度を維持して使用しながら、セット制約グラフ(フロー不感なポインタ解析で一般的に使用される)の構造上の利点を利用するため、洗練されたグラフ最適化と動的解法の導入を可能にする。
このようにして、CG-FSPTAは、フローセンシティブ解析の精度を維持しながら、大幅な効率向上を実現している。
ベンチマークプログラムの実験により、CG-FSPTAは精度を維持しながらメモリ使用量と実行時間を著しく削減することを示した。
特に、FSConsGにおける解法により、CG-FSPTAは33.05\%の平均メモリ削減を実現し、最先端法と比較して7.27倍のフローセンシティブポインタ解析を高速化する。
これらの実験結果は、CG-FSPTAを大規模ソフトウェアシステム解析のスケーラブルなソリューションとして有効性を示し、効率的なプログラム分析フレームワークにおける将来の進歩のための堅牢な基盤を確立した。
関連論文リスト
- Research on the Application of Spark Streaming Real-Time Data Analysis System and large language model Intelligent Agents [1.4582633500696451]
本研究では、ビッグデータ環境におけるリアルタイムデータ分析システムを強化するために、Agent AIとLangGraphの統合について検討する。
提案したフレームワークは、静的で非効率なステートフル計算の限界を克服し、人間の介入の欠如を克服する。
システムアーキテクチャにはApache Spark Streaming、Kafka、LangGraphが組み込まれ、高性能な感情分析システムを構築する。
論文 参考訳（メタデータ） (2024-12-10T05:51:11Z) - Understanding Optimization in Deep Learning with Central Flows [53.66160508990508]
RMSの暗黙的な振る舞いは、微分方程式の「中央流:」によって明示的に捉えられることを示す。
これらのフローは、汎用ニューラルネットワークの長期最適化軌道を経験的に予測できることを示す。
論文 参考訳（メタデータ） (2024-10-31T17:58:13Z) - DiffGrad for Physics-Informed Neural Networks [0.0]
バーガーズ方程式(英: Burgers' equation)は流体力学の基本方程式であり、PINNで広く用いられている。
本稿では,DiffGradをPINNに組み込むことで,バーガースの方程式を解く新しい手法を提案する。
論文 参考訳（メタデータ） (2024-09-05T04:39:35Z) - LLMDFA: Analyzing Dataflow in Code with Large Language Models [8.92611389987991]
本稿では,コンパイル不要でカスタマイズ可能なデータフロー解析フレームワークLLMDFAを提案する。
問題をいくつかのサブタスクに分解し、一連の新しい戦略を導入する。
LLMDFAは平均87.10%の精度と80.77%のリコールを達成し、F1スコアを最大0.35に向上させた。
論文 参考訳（メタデータ） (2024-02-16T15:21:35Z) - OptFlow: Fast Optimization-based Scene Flow Estimation without
Supervision [6.173968909465726]
高速な最適化に基づくシーンフロー推定手法であるOpsFlowを提案する。
人気の高い自動運転ベンチマークにおけるシーンフロー推定のための最先端性能を実現する。
論文 参考訳（メタデータ） (2024-01-04T21:47:56Z) - A Graph Encoder-Decoder Network for Unsupervised Anomaly Detection [7.070726553564701]
グラフから異常ノードを検出するための教師なしグラフエンコーダデコーダモデルを提案する。
符号化段階では、クラスタ割り当て行列を見つけるためにLCPoolと呼ばれる新しいプール機構を設計する。
復号段階ではLCUnpoolと呼ばれるアンプール演算を提案し,元のグラフの構造と結節の特徴を再構築する。
論文 参考訳（メタデータ） (2023-08-15T13:49:12Z) - Deep Equilibrium Optical Flow Estimation [80.80992684796566]
最近のSOTA(State-of-the-art)光フローモデルでは、従来のアルゴリズムをエミュレートするために有限ステップの更新操作を使用する。
これらのRNNは大きな計算とメモリオーバーヘッドを課し、そのような安定した推定をモデル化するために直接訓練されていない。
暗黙的層の無限レベル固定点として直接流れを解く手法として,Deep equilibrium Flow estimatorを提案する。
論文 参考訳（メタデータ） (2022-04-18T17:53:44Z) - Revisiting PGD Attacks for Stability Analysis of Large-Scale Nonlinear
Systems and Perception-Based Control [2.2725929250900947]
我々は,汎用ROA解析ツールとして,対人学習コミュニティで開発された予測勾配降下法(PGD)を調整した。
ROA解析は、最悪の初期条件を見つけることを目標とする制約付き問題として近似できることを示す。
本稿では,PGDに基づく2つの反復的手法について述べる。
論文 参考訳（メタデータ） (2022-01-03T18:46:58Z) - GMFlow: Learning Optical Flow via Global Matching [124.57850500778277]
光フロー推定学習のためのGMFlowフレームワークを提案する。
機能拡張のためのカスタマイズトランスフォーマー、グローバル機能マッチングのための相関層とソフトマックス層、フロー伝搬のための自己保持層である。
我々の新しいフレームワークは、挑戦的なSintelベンチマークにおいて、32項目RAFTのパフォーマンスより優れています。
論文 参考訳（メタデータ） (2021-11-26T18:59:56Z) - Learning Dynamic Compact Memory Embedding for Deformable Visual Object
Tracking [82.34356879078955]
本稿では,セグメント化に基づく変形可能な視覚追跡手法の識別を強化するために,コンパクトなメモリ埋め込みを提案する。
DAVIS 2017ベンチマークでは,D3SやSiamMaskなどのセグメンテーションベースのトラッカーよりも優れている。
論文 参考訳（メタデータ） (2021-11-23T03:07:12Z) - Self Normalizing Flows [65.73510214694987]
本稿では,各層における学習された近似逆数により,勾配の高価な項を置き換えることで,フローの正規化を訓練するための柔軟なフレームワークを提案する。
これにより、各レイヤの正確な更新の計算複雑性が$mathcalO(D3)$から$mathcalO(D2)$に削減される。
実験により,これらのモデルは非常に安定であり,正確な勾配値と類似したデータ可能性値に最適化可能であることが示された。
論文 参考訳（メタデータ） (2020-11-14T09:51:51Z) - What Matters in Unsupervised Optical Flow [51.45112526506455]
教師なし光流における鍵成分の集合を比較し解析する。
教師なしフローモデルに対する新しい改良点を多数構築する。
本稿では,従来の最先端技術よりもはるかに優れた非教師なしフロー技術を提案する。
論文 参考訳（メタデータ） (2020-06-08T19:36:26Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。