侧边栏壁纸
博主头像
蚌埠住了捏博主等级

快乐,健康,自由,强大

  • 累计撰写 46 篇文章
  • 累计创建 12 个标签
  • 累计收到 20 条评论

目 录CONTENT

文章目录

CSAPP读书笔记-chap3-程序的机器级表示

蚌埠住了捏
2023-02-10 / 0 评论 / 0 点赞 / 356 阅读 / 4,854 字

高级语言通过编译变成汇编语言,汇编代码则与特定的机器密切相关。汇编代码中包含了管理存储器(memory)和执行计算的低级指令的一些细节。编译器基于编程语言的原则、目标机器的指令集和操作系统遵循的规则,经过一系列的阶段产生机器代码。

学习汇编有助于调优;有助于理解底层原理,而不仅仅是封装调用;有助于理解黑客、安全问题

编译器还存在一定的优化操作:可能调整指令顺序、移除非必要计算、替换慢指令,甚至会将递归优化为迭代

程序编码

从源代码到机器可执行代码会经过以下几个过程:预处理-> 编译器-> 汇编器 -> 链接器

举例

gcc -Og -o p p1.c p2.c

编译包含以下几步

First, the C preprocessor expands the source code to include any files specified with #include commands and to expand any macros, specified with #define declarations.

Second, the compiler generates assembly code versions of the two source files having names p1.s and p2.s.

Next, the assembler converts the assembly code into binary object-code files p1.o and p2.o. Object code is one form of machine code—it contains binary representations of all of the instructions, but the addresses of global values are not yet filled in.

Finally, the linker merges these two object-code files along with code implementing library functions (e.g., printf) and generates the final executable code file p (as specified by the command-line directive -o p). Executable code is the second form of machine code we will consider—it is the exact form of code that is executed by the processor.

机器级代码

对于机器级代码来说,有两种抽象非常重要。第一种是机器级程序的格式和行为,定义为指令集体系结构(Instruction set architecture, ISA),它定义了处理器状态、指令的格式,以及每条指令对状态的影响。第二种抽象是,机器级程序使用的存储器地址是虚拟地址,提供的存储器模型看上去是一个非常大的字节数组。

汇编代码和原始的C代码相差比较大,一些通常对C语言程序员隐蔽的处理器状态是可见的:

  • 程序计数器(PC,用 %rip 表示)指示将要执行的下一条指令在存储器中的地址。
  • 整数寄存器文件包含 16 个命名的位置,分别存储 64 位的值。这些寄存器可以存储地址(对应于 C 语言的指针)或整数数据。有的寄存器被用来记录某些重要的程序状态,而其他的寄存器则用来保存临时数据。
  • 条件码(codition code)寄存器保存着最近执行的算术或逻辑指令的状态信息。它们用来实现控制或数据流中的条件变化。
  • 一组向量寄存器(vector registers)存放浮点数据或者多个整型数据。

C语言中的聚合数据类型,例如数组和结构,在汇编中是用连续的字节表示的。汇编代码不区分有符号或无符号整数,不区分各种类型的指针,甚至不区分指针和整数。

程序存储器(program memory)包含:程序的可执行机器代码,操作系统需要的一些信息,用来管理过程调用和返回的运行时栈,以及用户分配的存储器块。同时OS负责管理虚拟地址空间,将虚拟地址转换为物理地址。

一条指令只执行一个非常基本的操作。例如,将存放在寄存器中的两个数字相加,在存储器和寄存器之间传送数据,或是条件分支转移到新的指令地址。编译器必须产生这些指令的序列,从而实现(像算术表达式求值、循环或过程调用和返回这样的)程序结构。

A key lesson to learn from this is that the program executed by the machine is simply a sequence of bytes encoding a series of instructions.

理解机器码的方式为反汇编(disassemblers),例如objdump。

关于格式的注解

以 . 开头的行都是指导汇编器(assembler)和链接器(linker)的命令(对程序的解释),我们通常可以忽略这些行。%rbx表示寄存器,(%rbx)表示内存–其中寄存器存的是地址。

数据格式

一个字(word)是指16bit的数据类型。

截屏2023-02-09 16.50.21.png

GCC汇编指令通常有一个字母后缀标识指令操作的字长。

The data movement instruction has four variants: movb (move byte), movw (move word), movl (move double word), and movq (move quad word).

访问信息

一个X86-64的CPU中有16个64位的通用寄存器用来存储整数数据和指针。不同寄存器扮演的角色可能不相同,下表需要经常查看。%rip即PC,程序计数器,存储下一条运行指令的地址。

截屏2023-02-09 16.56.25.png

操作数指示符

大多数指令有一个或多个操作数(operand),指示出执行一个操作中要引用的源数据值,以及放置结果的目标位置。操作数可能被分为三种类型:

  • 立即数(immediate),也就是常数值
  • 寄存器(register),表示某个寄存器的内容
  • 内存(memory)引用,它会根据计算出来的地址访问某个存储器位置

截屏2023-02-09 17.29.29.png

数据移动指令

移动指令的两个操作数不能同时为内存引用。记住第二个操作数存处理结果,这一点在汇编指令中普遍成立。

截屏2023-02-09 17.32.01.png

截屏2023-02-09 17.36.26.png

截屏2023-02-09 17.36.38.png

栈指令

对于X86-64机器,栈地址从高到低增长,压栈(push)栈顶地址减小,弹出栈(pop)栈顶地址增加。

截屏2023-02-09 17.55.37.png

算术和逻辑操作

大多操作都是以指令类的形式呈现。有对字节、字和双字数据进行操作的指令,通常以后缀进行标识。

这些操作被分为四组:加载有效地址、一元操作、二元操作和移位。

加载有效地址

加载有效地址(load effective address)指令 leaq 实际上是 movq 指令的变形。它的指令形式是从存储器读数据到寄存器,但实际上它根本就没有引用存储器。它的第一个操作数看上去是一个存储器引用,但该指令并不是从指定的位置读入数据,而是将有效地址写入到目的操作数。

截屏2023-02-09 18.12.12.png

截屏2023-02-09 18.14.18.png

一元和二元操作

一元操作:一个操作数既是源又是目的

二元操作:第二个操作数既是源又是目的

移位操作

先给出移位的量,然后是待移位的值

控制

It’s all done with GOTO!!!

条件码

CPU 维护着一组单个 bit 的条件码(condition codes) 寄存器,他们描述了最近的算术或逻辑操作的属性。在指令跳转时尤为重要。

CF : Carry flag. The most recent operation generated a carry out of the most significant bit. Used to detect overflow for unsigned operations.

ZF : Zero flag. The most recent operation yielded zero.

SF : Sign flag. The most recent operation yielded a negative value.

OF : Overflow flag. The most recent operation caused a two’s-complement overflow—either negative or positive.

仅仅leaq指令不会改变条件码,因为其仅被用于地址计算。其他运算指令均会改变条件状态码。

除此之外,还有两种指令常用来改变条件码。

截屏2023-02-09 18.29.56.png

访问条件码

两种最常见的访问条件码的方法不是直接读取,常用的使用方法有三种:

  • 可以根据条件码的某个组合,将一个字节设置为 0 或者 1
  • 可以条件跳转到程序的某个其他的部分
  • 可以有条件地传送数据

截屏2023-02-09 18.34.25.png

跳转指令和他们的编码

跳转指令会导致执行切换到程序中的一个全新的位置。两种编码方式:1、PC相对地址,编码跳转目的指令地址所需的偏移量;2、绝对地址,直接编码目的指令地址。

截屏2023-02-09 18.35.34.png

条件移动

当条件分支中的各个表达式运算简单时,可以事先计算出结果,按条件移动分支的结果即可。避免了每次进入分支都要运行多条指令计算结果。是否采用条件移动的写法由编译器决定。不一定会带来性能上的提升。

截屏2023-02-09 18.48.28.png

循环

汇编中没有相应的循环指令,将条件测试和跳转组合起来可以实现循环的效果

switch语句

通过一种称为跳转表(jump table)的数据结构使得实现更加高效,相比使用一组很长的if-else语句,使用跳转表的优点是执行开关语句的时间和开关情况(switch cases)的数量无关。

一般在开关情况数量比较多,并且值的范围跨度比较小的时候使用跳转表。

截屏2023-02-09 20.12.58.png
跳转表:
截屏2023-02-09 20.13.06.png

过程

一个过程调用包括将数据(passing data)和控制(passing control)从代码的一部分传递到另一部分。另外,它还必须在进入时为过程的局部变量分配空间(allocating memory),并在退出时释放这些空间(deallocating memory)。

栈帧结构

程序用栈来支持过程调用。机器用栈来传递过程参数、存储返回信息、保存寄存器用于以后恢复、本地存储。为单个过程分配的那部分栈称为栈帧(stack frame)。

截屏2023-02-09 23.41.30.png

转移控制

转移控制指函数P调用函数Q时,将程序计数器设置为Q的代码起始地址。同时将P的下一条指令地址压入栈中作为Q的返回地址,在ret时弹出并赋值给PC。

截屏2023-02-09 23.59.49.png

数据传输

参考栈帧示意图,X86-64机器在函数调用时,最多可以通过寄存器传递6个参数,其余的参数将被存储在参数构建区域(argument build area)

栈帧局部存储(local storage on the stack)

局部数据需要存储在内存中的情形包括:

  • 寄存器存不下局部数据
  • 局部变量有&修饰,必须为其在内存中生成一个地址(寄存器没有地址!
  • 局部变量是数组array或者结构体struct,必须要能支持成员索引功能,寄存器提供不了,只能用内存实现,所以放在栈(内存的一部分)里面

寄存器局部存储(local storage in registers)

分为调用者存储caller-saved和被调用者存储callee-saved两种。例如P调用Q,那么caller-saved寄存器是P负责存的,其他函数可以随意改变寄存器的值,callee-saved寄存器是Q负责存的,存的方式有两种:1、不改变值;2、先将callee-saved的寄存器数值压入栈上,再在ret时弹出并恢复,这对应了栈帧中的saved registers区域

数组的分配和访问

C 语言一个不同寻常的特点是可以产生指向数组中元素的指针,并对这些指针进行运算。在机器代码中,这些指针会被翻译成地址计算。优化编译器非常善于简化数组索引所使用的地址计算。不过这使得 C 代码和它机器代码的翻译之间的对应关系有些难以理解。

指针运算

C 语言允许对指针进行运算,而计算出来的值会根据该指针引用的数据类型的大小进行伸缩。也就是说,如果 p 是一个指向类型为 T 的数据的指针,p 的值为 xp,那么表达式 p+i 的值为 xp+L*i,这里 L 是数据类型 T 的大小。

嵌套数组、固定大小的数组、动态分配的数组

异类的数据结构

结构(structure)

将可能不同类型的对象聚合到一个对象中。结构的各个组成部分用名字来引用。类似于数组的实现,结构的所有组成部分都存放在存储器中一段连续的区域内,而指向结构的指针就是结构第一个字节的地址。编译器维护关于每个结构类型的信息,指示每个字段(field)的字节偏移。它以这些偏移作为存储器引用指令中的位移,从而产生对结构元素的引用。

截屏2023-02-10 08.57.20.png

联合(union)

提供了一种方式,能够规避 C 语言的类型系统,允许以多种类型来引用一个对象。联合声明的语法与结构的语法一样,只不过语义相差比较大。它们是用不同的字段来引用相同的存储器块。

其优势在于统一类名,但是往往代价是代码编写复杂度上升,实际使用频率较低。

对齐(alignment)

计算机系统对基本数据类型合法地址做出了一些限制,要求K字节的类型对象的地址必须是K的倍数(K 通常是 2、4、8)。这种对齐限制简化了处理器和存储器系统之间接口的硬件设计。面试笔试常客。

截屏2023-02-10 09.03.13.png

截屏2023-02-10 09.05.25.png

截屏2023-02-10 09.05.29.png

综合理解

理解指针

指针是 C 语言的一个重要特征。它们以一种统一方式,对不同数据结构中的元素产生引用。这里介绍一些指针和它们映射到机器代码的关键原则:

  • 每个指针都对应一个类型。这个类型表明指针指向哪一类对象。
  • 每个指针都有一个值。这个值是某个指定类型对象的地址。特殊的 NULL(0) 值表示该指针没有指向任何地方
  • 指针用 & 运算符创建。这个运算符可以应用到任何 lvalue 类的 C 表达式上。
  • 操作符用于指针的间接引用。其结果是一个值,它的类型与该指针的类型相关。间接引用是通过存储器引用来实现的,要么是存储到一个指定的地址,要么是从指定的地址读取。
  • 数组与指针紧密联系。一个数组的名字可以像一个指针变量一样引用(但是不能修改)。数组引用与指针运算和间接引用有一样的效果。数组引用和指针运算都需要用对象大小对偏移量进行伸缩。
  • 将指针从一种类型强制转换成另一种类型,只改变它的类型,而不改变它的值。强制类型转换的一个效果是改变指针运算的伸缩。来看一个例子,如果 p 是一个 char* 类型的指针,那么表达式(int)p+7 计算为 p+28, 而(int)(p+7)计算为 p+7。
  • 指针也可以指向函数。这提供了一个很强大的存储和向代码传递引用的功能,这些引用可以被程序的某个其他部分调用。

GDB调试器

支持机器级代码的运行时调试及分析。课程有一个简短的教授GDB指令的课件可以参阅,网上也多的是。

存储器的越界引用和缓冲区溢出

C 对于数组引用不进行任何边界检查,而局部变量和状态信息,都存放在栈中。这两种情况结合到一起就可能导致严重的程序错误,对越界的数组元素的写操作会破坏存储在栈中的状态信息。当程序使用这个被破坏的状态,试图重新加载寄存器或执行 ret 指令时,就会出现很严重的错误。

缓冲区溢出的一个更加致命的使用就是让程序执行它本来不愿意执行的函数。这是一种最常见的通过计算机网络攻击系统安全的方法。通常,输入和程序一个字符串,这个字符串包含一些可执行代码的字节编码,称为攻击代码(exploit code),另外还有一些字节会用一个指向攻击代码的指针覆盖返回地址。那么执行 ret 指令的效果就是跳转到攻击代码。

一种攻击形式,攻击代码会使用系统调用启动一个Shell程序,给攻击者提供一组unsafe的操作系统级别的库函数。另一种攻击形式是,攻击代码会执行一些未授权的任务,修复对栈的破坏,然后第二次执行 ret 指令,(表面上)正常返回给调用者。

应对策略:

  • 栈地址随机化(known as address-space layout randomization, or ASLR
  • 栈篡改检测,为数组插入canary value,通过比对该数值是否被改变来检测篡改
  • 限制可执行代码区域,防止运行攻击者插入的代码

浮点数编码

计算机关于浮点数有一套额外的扩展:浮点数寄存器、浮点数指令集、浮点数过程调用规则。

截屏2023-02-10 09.23.19.png

小结

机器级程序和它们的汇编代码表示,与 C 程序的差别很大。在汇编语言程序中,各种数据类型之间的差别很小。程序是以指令序列来表示的,每条指令都完成一个单独的操作。部分程序状态,如寄存器和运行时栈,对程序员来说是直接可见的。

C 语言中缺乏边界检查,使得许多程序容易出现缓冲区溢出。虽然最近的运行时系统提供了安全保护,而且编译器帮助使得程序更加安全。

那么CPU到底干了个啥,其实说起来也很简单,用课程中的一句话总结:

Take data, apply action, use result

0

评论区