Extractor.app学习

已于 2023-01-26 09:10:54 修改
阅读量1k 收藏
点赞数
CC 4.0 BY-SA版权
文章标签： 学习 算法 程序验证 Z3
于 2023-01-25 16:52:16 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.youkuaiyun.com/m0_43414114/article/details/128761330
本文介绍了LLVM和Z3相关知识。LLVM中有PHINode、BinaryOperator、CastInst、Value等类型，PHINode用于多输入值选择，BinaryOperator表示二元运算指令等；Z3中有z3::expr类型变量用于约束操作，还有Sort context控制算子变量类型，此外还介绍了转移函数和dyn_cast安全类型转换。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

1.什么是PHINode 类型？

  1. PHINode是LLVM中的一种类型，它表示一个在多个输入值之间进行选择的节点。它通常用于描述控制块中的值的变化。

  2. 在LLVM中，当一个指令需要从多个块中进入时，需要使用PHI节点。这些节点可以描述在不同路径上的值。每个PHI节点都有一个入口，对应着一个输入值和一个块。这些入口组成了一个键值对，其中键是块，值是输入值。

  3. 例如，在一个简单的if语句中,如果条件为真，那么执行真并且假分支执行另一个块。在这种情况下，在真分支中会赋值给一个变量，但假分支中不会。如果在假分支之后再使用这个变量，那么就需要一个PHI节点来选择正确的值。

  4. 总而言之，PHINode是LLVM中一种特殊的指令，用于在多个输入值之间进行选择。这些输入值可能是来自不同块中的值，并且可能由于分支语句或循环等原因而不同

什么是转移函数？

  1. 转移函数是指一种将状态或变量从一个状态或块转移到另一个状态或块的函数。在程序分析和验证中经常使用转移函数来描述程序运行时状态的变化。
  2. 比如在这段代码中，transition(BB, Succ) 或者 transition(BB, TrueBranch) 或者 transition(BB, FalseBranch) 就是转移函数。它可能会接受两个参数：当前块和下一个块。并返回一个 z3::expr_vector 或 z3::expr 类型的变量,表示当前块到下一个块的转移.

z3::expr 类型的变量

  1. z3::expr是Z3类库中的一个类型，表示一个布尔，整数或者实数类型的约束条件或者表达式。它是Z3中的一个核心类型，用于在约束条件、公式和解中进行操作。

  2. z3::expr类型的变量可以表示一个公式，可以是布尔值，整数或者实数类型。它可以进行各种类型的运算，如与，或，非等。可以使用z3::expr类型的变量来进行公式推导，求解约束问题，等等。

  3. 总的来说, z3::expr 是Z3库中的一个类型, 表示一个布尔，整数或实数类型的约束条件或表达式，用来在约束条件、公式和解中进行操作.

dyn_cast

 if (BinaryOperator *BO = dyn_cast<BinaryOperator>(I))

dyn_cast是一种安全的类型转换，它检查转换是否有效，如果有效，它将返回一个指向目标类型的指针，否则返回nullptr。如果I是一个指向BinaryOperator类型的指针，那么dyn_cast(I)将返回一个指向BinaryOperator类型的指针，并将这个指针赋值给变量BO. 这样BO就会指向I指向的那个BinaryOperator类型的指针.

BinaryOperator类型

BinaryOperator是LLVM中的一种类型，它表示一个二元运算指令，如加法，减法，乘法等。它是一个抽象基类，具体有很多不同的实现。
BinaryOperator是一个抽象类，它描述了二元运算符的基本特征，如操作符、左右操作数、结果等。它派生出了很多具体的子类，如AddOperator，SubOperator，MulOperator等，这些子类都是BinaryOperator的一种具体实现。

BinaryOperator类型是LLVM中一种特殊的指令类型，用于表示二元运算符,如加法,减法,乘法等.

CastInst类型

CastInst是LLVM中的一种类型，表示一个类型转换指令。它是LLVM中的一个抽象基类，具体有很多不同的实现。

CastInst是LLVM中一种特殊的指令类型，用于表示类型转换。类型转换指令可以将一种类型的值转换为另一种类型的值。CastInst类型描述了类型转换指令的基本特征，如输入值、结果类型、转换类型等。它派生出了很多具体的子类，如TruncInst，ZExtInst，SExtInst等。这些子类都是CastInst的一种具体实现。

Value

Value是LLVM中的一个重要的基类，它是LLVM中所有值的基类。在LLVM中，变量，常量，指令都是Value类型。Value类型描述了一个值的基本特征，如值的类型、名称、所属的函数等。

Value是LLVM中的一个抽象基类，它定义了LLVM中所有值的基本特征。它派生出了很多具体的子类，如Constant，Instruction，Argument等。这些子类都是Value的具体实现。

在LLVM中, 所有的值都是Value类型, 这些值可以是常量, 变量, 指令等, 这些类型都是Value的一种具体实现.

Value类型是LLVM中一个重要的抽象基类，它定义了LLVM中所有值的基本特征，如类型、名称、所属的函数等. 这些特征可以被Value的具体实现类继承并进行扩展. 比如变量和常量有自己的特殊特征需要维护,而指令有自己的特殊特征需要维护.

Value类型在LLVM中非常重要, 它是所有值的基类,所以几乎所有的LLVM指令都是Value类型或者它的子类型.

Sort context

Sort context是Z3中用来控制算子变量类型的上下文。它定义了每个变量应该具有的类型，比如，它可以定义一个变量只能被分配到某一种类型的值，比如整数或者布尔值。Sort context还可以定义操作符的参数类型，以及定义操作符的返回值类型。

飞鸡110
关注
Python应用开发——30天学习Streamlit Python包进行APP的构建（4）
此星光明博客
05-30 1010
嘿，Streamlit 人！我很荣幸今天能够有机会为“30 天学 Streamlit”挑战来做这个实操教程！要是用这个 Streamlit 应用，只需要在文本输入框中复制粘贴进一个 YouTube 链接即可。总的来说，我们已经见识到了如何创建一个 Streamlit 应用，通常首先是明确和确定需求问题。然后我们设计一个解决方案将问题拆解为细粒度的步骤，然后我们在 Streamlit 应用中逐步实现。此时我们同样需要决定用户需要输入的数据或者信息、处理用户输入的方式方法，才能产出满意的结果。
Gradio:快速构建你的webApp
人工智能微客/aiweker
02-11 1042
上面只是介绍了Gradio的简单的使用，Gradio提供了丰富的html组件，如文本框，图像，视频，下拉框，单选框，复选框等等。我们再来看一个在机器视觉推理比较常见的展示：输入一个图片，输出一个图片，并提供下载。import os## ... 省略上面的代码忽略了一些模型推理的细节，主要关注渲染对应的结果就是inputs和outputs。可知，inputs和outputs都是可以多个，Gradio根据类型展示相应的组件其中：inputs是gr.Image图像，对应的处理函数的参数为文件路径。
LLVM中的PHI节点
weixin_42492218的博客
12-07 3223
PHI 节点，它会选择来自不同分支的 i，因为我们的 IR 是 SSA（single static assignment，静态单赋值）形式的。在控制流图中，一个给定的变量可以来自两个不同的基本块（两条不同的路径），为了在 SSA 形式的 LLVM IR 中表达这种分支情况，需要用到phi 指令。（PHI指令用于实现 PHI 节点。在运行时，PHI指令根据“在当前 block 之前执行的是哪一个 predecessor(前任) block”来得到相应的值。） 举个例子： ...
LLVM中的PHI NODE是什么
weixin_65360362的博客
07-09 314
PHINode是LLVM中一种特殊的指令，用于在多个输入值之间进行选择。这些输入值可能是来自不同块中的值，并且可能由于分支语句或循环等原因而不同。PHI Node是LLVM中的一种类型，它表示一个在多个输入值之间进行选择的节点。它通常用于描述控制块中的值的变化。
LLVM 笔记（二）—— PHI node
weixin_30846599的博客
10-21 530
ilocker：关注 Android 安全（新手） QQ: 2597294287 什么是 PHI node？ 所有 LLVM 指令都使用 SSA (Static Single Assignment，静态一次性赋值) 方式表示。意思是所有变量都只能被赋值一次，这样做主要是便于后期的代码优化。 1 a = 1; 2 if (v < 10) 3 a = 2; 4 b = a...
PHI Instruction&&PHI Node
weixin_42492218的博客
06-14 1295
在这种情况下，我们合并 `%x`（在 `ifblock` 块中添加到 `%a` 的值）和 `%y`（在 `elseblock` 块中从 `%a` 减去的值）得到 最终结果“%result”。PHI 节点告诉编译器在循环尚未开始时使用在 entry 块中初始化为 0 的 %a 的值，并使用 %j 的值（ % 当循环至少运行一次时，i` 加上 1) 来自 `body` 块。在这种情况下，我们使用 `[ 0, %entry ]` 和 `[ %j, %body ]` 作为 `exit` 块的值块对。
PHINode通用移除方法
如鹿渴慕泉水的专栏
03-06 660
具体PHINode->getNumIncomingValues(i),的value用放在一个store和load替换放在PHINode的出口处 /** * @file src/bin2llvmir/optimizations/phi_remover/phi_remover.cpp * @brief Remove all Phi nodes (instructions). * @copyright (c) 2017 Avast Software, licensed under the MIT li
URL-Extractor-App:一个简单的移动 android 应用程序，显示任何网页的源代码
07-04
"URL-Extractor-App" 是一个针对Android平台开发的移动应用程序，其主要功能是提取并展示任何给定网页的源代码。这个应用的命名表明它专注于抓取网页URL，并从中获取HTML或其他相关标记语言的内容。 **描述详解：**...
uni-app-移动开发资源
最新发布
04-06
对于uni-app移动开发资源的获取，开发者可以通过uni-app官方文档、社区论坛、开源仓库等途径，查找相关的教程、插件、组件和工具，这些都是学习和提升uni-app开发技能的重要资源。此外，uni-app社区活跃，开发者可以...
``` if __name__ == &#39;__main__&#39;: # 载入训练集和验证集的数据 x_train, y_train = load_dataset(&#39;./划分后的数据/训练集&#39;) x_val, _ = load_dataset(&#39;./划分后的数据/验证集&#39;) input_dim = x_train.shape[1] # 创建共享特征提取器 feature_extractor = Sequential([ Dense(128, activation=&#39;relu&#39;, input_shape=(input_dim,)), Dropout(0.5), Dense(64, activation=&#39;relu&#39;) ]) # 创建分类器 classifier_inputs = Input(shape=(64,)) classification_output = Dense(1, activation=&#39;sigmoid&#39;)(classifier_inputs) classifier_model = Model(inputs=classifier_inputs, outputs=classification_output) classifier_model.compile(optimizer=Adam(), loss=&#39;binary_crossentropy&#39;, metrics=[&#39;accuracy&#39;]) # 创建域判别器 discriminator_inputs = Input(shape=(64,)) domain_output = Dense(1, activation=&#39;sigmoid&#39;)(discriminator_inputs) discriminator_model = Model(inputs=discriminator_inputs, outputs=domain_output) discriminator_model.compile(optimizer=Adam(), loss=&#39;binary_crossentropy&#39;, metrics=[&#39;accuracy&#39;]) # 封装整体网络结构用于反向传播 combined_input = feature_extractor.output classification_output_combined = classifier_model(combined_input) domain_output_combined = discriminator_model(combined_input) combined_model = Model(feature_extractor.input, [classification_output_combined, domain_output_combined]) # 冻结判别器权重以仅更新分类器权重 discriminator_model.trainable = False combined_model.compile( optimizer=Adam(), loss=[&#39;binary_crossentropy&#39;, &#39;binary_crossentropy&#39;], metrics=[&#39;accuracy&#39;] ) # 准备域标签 (源域 vs 目标域) batch_size = 32 num_batches = len(x_train) // batch_size for epoch in range(10): # 设置迭代次数 indices = np.arange(len(x_train)) np.random.shuffle(indices) for i in range(num_batches): idx = indices[i * batch_size:(i + 1) * batch_size] source_batch = x_train[idx] # 源域样本 target_batch = x_val[np.random.choice(len(x_val), size=batch_size)] # 随机采样目标域样本 X_combined = np.vstack([source_batch, target_batch]) Y_domain_labels = np.array([1] * batch_size + [0] * batch_size) # 源域标记为1，目标域标记为0 Y_class_labels = y_train[idx].astype(float) # 只有源域才有类别标签 # 更新特征提取器+分类器 combined_loss = combined_model.train_on_batch(X_combined, [Y_class_labels, Y_domain_labels]) # 解冻判别器并单独训练它 discriminator_model.trainable = True disc_loss = discriminator_model.train_on_batch(feature_extractor.predict(source_batch), np.ones(batch_size)) # 判别器区分真实分布 disc_loss += discriminator_model.train_on_batch(feature_extractor.predict(target_batch), np.zeros(batch_size)) discriminator_model.trainable = False print(f"Epoch {epoch + 1}: Combined Loss={combined_loss}, Discriminator Loss={disc_loss}") print("Domain adaptation training completed.") # 测试阶段 - 使用验证集评估分类精度 extracted_features = feature_extractor.predict(x_val) predictions = classifier_model.predict(extracted_features) accuracy = np.mean((predictions > 0.5).flatten() == _) # 替换_为目标验证集的真实标签 print(f"Validation Accuracy: {accuracy:.4f}") validation_accuracy = combined_model.evaluate(x_val, [y_val, ...], verbose=0)[1] # 获取第二个输出的acc指标 print(f"Final Validation Classification Accuracy: {validation_accuracy:.4f}")```运行结果：2025-03-29 15:32:12.506410: I tensorflow/core/platform/cpu_feature_guard.cc:193] This TensorFlow binary is optimized with oneAPI Deep Neural Network Library (oneDNN) to use the following CPU instructions in performance-critical operations: AVX AVX2 To enable them in other operations, rebuild TensorFlow with the appropriate compiler flags. Traceback (most recent call last): File "C:/Users/Lenovo/AppData/Roaming/JetBrains/PyCharmCE2020.2/scratches/scratch_19.py", line 104, in <module> Y_class_labels = y_train[idx].astype(float) # 只有源域才有类别标签 IndexError: index 121655 is out of bounds for axis 0 with size 288
03-30
从代码来看，您正在尝试构建一个基于深度学习的领域自适应模型（Domain Adaptation）。然而，在运行过程中出现了`IndexError`错误。以下是对此问题的具体分析以及解决方案。 --- ### **问题原因** 错误提示为 `...
llvm libLLVMCore源码分析 11 - PHI Node Instruction
weixin_42654107的博客
03-09 549
源码路径 llvm\include\llvm\IR\Instruction.h llvm\include\llvm\IR\Instruction.def llvm\include\llvm\IR\Instructions.h llvm\include\llvm\IR\InstrTypes.h llvm PHI Node LLVM IR采用SSA（Static Single Assignment）的形式，这种形式的核心要求有2点： 每个变量只被赋值1次。 每个变量在使用前必须先定义。 如下源代
源码解读---mem2reg源码（1）
木子李的博客
08-01 4186
本文只是个随笔，记录一下看源码的思维过程，免得忘了。可能有很多废话，hhhh 相信对于熟悉LLVM的SSA以及了解支配概念的读者来说，应该都不陌生了，这个pass无非就是将LLVM最“原汁原味”的IR转化为SSA形式的IR。首先从形式上，就简明了不少，另外，SSA形式还有特殊的用处。 如果你还不太了解SSA的话，不妨上网搜搜，先大概了解下SSA的好处。 这篇文章不打算谈SSA的好处，也不会从头开始谈SSA在LLVM是如何建立的。网上有很多关于LLVM中mem2reg是如何建立SSA的。包括知乎的R大，还有“
SMT Z3 C++版本简易教程（以python版本为对照）
a1010451170的博客
03-16 811
近期因为科研工作需要，将原本以python实现的z3项目以c++重写，由于缺少c++版本的相关教程，花费了较多时间，故在完成当前项目后制作该简易教程（仅包含个人理解和个人在开发过程中遇到的困难之处），供读者参考。我会将python版本（下称，python中）和c++版本（下称，cpp中）的实现做简单的对比，供读者理解。。。
一起学习LLVM（三）
雪一梦的博客
03-25 1251
学习LLVM常用的API操作 常用的结构： ---关于函数和指令以及block和指令的操作； 引用的各自类型： ---Dynamic casts ---Instanceof-of casts 修改CFG的几种方式 ---修改基本块或者指令 一、Runtime type inference(RTTI)...
llvm phi
春江花月夜
09-05 2036
‘phi’ Instruction LLVM 指令都使用 SSA (Static Single Assignment，静态一次性赋值) 方式表示。意思是所有变量都只能被赋值一次，这样做主要是便于后期的代码优化。 <result> = phi <ty> [ <val0>, <label0>], ... The ‘phi’ instruction i...
ollvm源码分析
king_jie0210的专栏
08-15 2317
文章转载自：http://www.ench4nt3r.com/2018/02/26/post/ 分割基本块-mllvm -split: activates basic block splitting. Improve the flattening when applied together. -mllvm -split_num=3: if the pass is act...
LLVM Cookbook读书笔记（本书的缺点是直接展示大量Sample代码，对SSA/phi并没有怎么解释，TableGen部分也没讲清楚）
cteng的专栏
08-26 4716
LLVM Cookbook（Packt，2015） *重新理解 value --> use（每个IR就是一个value，SSA）builder.GetInsertBlock(); //Codegen: 先有cfg框架，TDD？if-then-else及for循环：需用PHI合并？（重点）优化步（IR层） $ clang -S -O0 -emit-llvm test.cp
LLVM 笔记（一）—— phi 指令
weixin_30532837的博客
10-19 899
ilocker：关注 Android 安全（新手） QQ: 2597294287 语法： <result> = phi <ty> [ <val0>, <label0>], ... 示例： Loop: ;Infinite loop that counts from 0 on up... %indvar = phi ...
从零开始的LLVM快速入门:自己动手实现基于llvm的字符串加密
dong940345278的博客
04-29 4019
我决定把自留地里的一些文章搬运过来，纯给新手入门使用。稳定的开源混淆请参见 HikariObfuscator/Hikari注:如同另一篇一样，这只是个演示向的教学，这个实现的问题会在末尾写出。实际使用请直接使用Hikari的实现。 原来的帖子下面还有一些其他的讨论，来玩呀。零基础的入门贴的入门指南(如果你完全没有接触过LLVM的话这是必读) : http://www.alonemonkey.com...
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值