EuroLLVM 2024技术报告

EuroLLVM是以LLVM基金会旗下项目为核心的开发者会议，重点关注LLVM GitHub单仓库中的项目，如Clang以及近期因机器学习研究兴起的MLIR框架。Trail of Bits在编译器工程和LLVM领域拥有丰富经验，派遣多位编译器专家参会并展示两个重点项目：基于MLIR的C/C++编译器VAST，以及面向MLIR的新型指针分析方法PoTATo。本报告将分享为期两天（含会前研讨会）的技术洞察与实践经验。

安全意识觉醒

与往年相比，最显著的变化是安全议题的凸显。LLVM社区日益关注提升整个软件生态的安全性，这标志着编译器领域的新发展方向——LLVM领导层正积极寻求该领域的专业见解。

开幕主题演讲确立了安全作为编译器第三大支柱的地位（与优化和翻译并列）。ARM的Kristof Beyls通过回顾编译器关注点的演进史，强调安全性已成为与正确性、性能同等重要的核心关切。

技术环节提出了关键问题：如何验证安全缓解措施是否正确实施？为解答此问题，Kristof使用BOLT开发了静态二进制分析工具，重点验证-fstack-clash-protection和-mbranch-protection=standard（特别是pac-ret机制）。在Fedora 39 AArch64-linux发行版的3000个软件包测试中，pac-ret分析发现250万条返回指令中有4.6万条缺乏保护；对1920个使用栈冲突保护的库扫描识别出39个潜在漏洞（可能存在误报）。

关于选择BOLT而非IDA/Ghidra/Angr等逆向工程工具的原因，关键在于BOLT适用于批量二进制处理，且作为编译流水线组成部分能及时支持最新架构特性，而逆向工具往往存在滞后性。

MLIR超越机器学习

虽然MLIR因机器学习热潮而兴起，但其"ML"实指"多层级"（Multi-Level）。该项目远超张量处理范畴：SiFive将其应用于RISC-V电路设计；基于MLIR的通用语言编译器不断涌现，如JSIR（JavaScript）、Mojo（Python超集）、ClangIR以及我们的VAST（C/C++）。

本次会议的核心议题可总结为"如何最大化LLVM与MLIR在共享流水线中的价值"。多场报告指出：得益于更优的抽象能力，多数性能优化更适合在MLIR层完成，而LLVM主要负责目标机器代码生成。

Modular的Jeff Niu指出，尽管MLIR相较LLVM存在速度劣势，但Mojo编译器大部分运行时仍消耗在LLVM层——因为代码编译至LLVM时需要处理更多输入。慕尼黑工业大学团队甚至尝试完全跳过LLVM IR直接生成机器IR（MIR），在JIT编译场景实现约20%性能提升。

推荐关注第二场主题演讲《MLIR高效编程范式》，深入比较不同MLIR原语与模式的性能差异，帮助开发者直观理解获取属性、迭代或变异IR等操作的成本。同期演讲《接口实现深度解析》揭示了MLIR泛型基石的设计细节，阐释了方言表达副作用、符号和控制流交互等通用概念的实现机制与泛化开销。

基于区域的分析新趋势

多个独立团队发现：传统基于基本块的控制流图分析若改用区域化控制流表示，可显著提升运行时性能。主要原因在于无需重建循环信息，且整体表示更紧凑。典型案例如Mojo编译器内部的数据流分析。

C/C++后继语言演进

会议压轴议题聚焦C/C++后继语言。Carbon设有专题讨论，问题涵盖技术支持（如重构工具）到项目管理（如避免过度受谷歌影响）。其他语言如Rust/Swift也探讨了与C++的互操作方案：Carbon小组提及谷歌的Crubit（Rust），Apple的Egor Zhdan则专门介绍Swift互操作技术。

我们的技术贡献

Henrich Lauko展示了VAST的新特性"IR塔"——基于MLIR的多层抽象编译器IR项目，允许用户为不同分析/转换场景选择合适的抽象层。为解决高层MLIR表示与LLVM工具的兼容问题，“IR塔"支持在转换间拍摄IR快照并建立溯源链，实现从LLVM层依赖分析结果通过溯源链接反向映射至C源代码。

Robert Konicar展示了PoTATo项目：通过定制MLIR方言实现指针分析，将内存操作转换为PoTATo方言后执行优化与指针分析，最终生成别名集。结合VAST的IR塔可将结果反馈至原始代码。实验表明：指针分析前应用复制传播能显著缩减问题规模。

AI技术走廊讨论

除正式议程外，与会者广泛探讨AI/机器学习与编译技术的融合：硬件专家关注专用加速器代码生成，编译器团队优化线性代数计算，语言设计者努力适配数据科学需求。相反方向的研究（如何用机器学习辅助LLVM社区）相对稀缺——多集中于对LLVM领域数据运用机器学习方法进行分析。值得注意的是，LLM和GAN等热门技术未被深入讨论，这或许是创新突破的方向。

欢迎通过Twitter、LinkedIn、GitHub、Mastodon或Hacker News分享本文内容