賀婷

摘要： SIMD擴展部件是一種在多媒體程序和科學(xué)計算程序中提供指令并行的加速部件。本文首先介紹SIMD擴展部件的背景及行業(yè)現(xiàn)狀，然后從挖掘方法、指針別名這2個角度介紹了SIMD現(xiàn)階段發(fā)展情況，在此基礎(chǔ)上并對SIMD編譯優(yōu)化方向進行了展望。

關(guān)鍵詞： SIMD； 自動向量化； 數(shù)據(jù)級并行

中圖分類號： TP393

文獻標志碼：A

文章編號： 2095-2163（2016）06-0068-04

0引言

為了提高多媒體業(yè)務(wù)的整體集成性能，當代處理器均已陸續(xù)采用了基于SIMD的指令集擴展，意圖在一個時鐘周期上操作多個同構(gòu)數(shù)據(jù)，并且該方法已在專用處理器和通用處理器中得到了高效使用，較早如Texas C62XX（Texas Instruments，1998）、Intel IA32（Intel 2000）、AMD K6（Advanced Micro Devices，1999）等等。SIMD是single instruction and multiple data 的簡寫，主要用于實現(xiàn)同時處理相同數(shù)學(xué)運算的同構(gòu)操作數(shù)[1]。

上世紀，Intel率先在奔騰處理器中加入MMX[2]，旨在提高有關(guān)圖形、影像和聲音等應(yīng)用的處理速度，同時，支持的指令也較為清晰簡單。隨后即有SSE、SSE2、SSE3、SSE4.1的相繼面世，其中的SSE[3]是MMX的超集。具體來說，SSE能夠提供更高分辨率的圖像瀏覽，獲取高精優(yōu)質(zhì)的音視頻，在指標效果愈加改進的語音識別方面卻只需占取更少的CPU資源，當然，在功能方面，完善了之前非對齊訪問相關(guān)的應(yīng)用設(shè)計，增加了跨幅、插入、尋找等操作。在此之后應(yīng)運而生的AVX、AVX2與IMCI，涉及的編譯技術(shù)則從基于基本塊對程序進行分析轉(zhuǎn)到基于循環(huán)的分析，尤其對邏輯關(guān)系更加復(fù)雜的多重循環(huán)展開了向量化并行度的深入討論；更進一步地，應(yīng)用場景也由圖形圖像處理延伸到高性能計算中。與此同時，除了Intel積極行動之外，還有許多廠商紛紛進入SIMD的研發(fā)天地，重點包括VIS（Sun SPARK）]、MAX（HP PA-RISC處理器）、BlueGene/L[4]（IBM）、MVI-2（DEC Alpha）[5]、國產(chǎn)的SW-藍光，以及龍芯[6]、魂心一號[7]等。綜上可知，處理器的體系結(jié)構(gòu)一直都在向著更高層次的并行而始終處于可持續(xù)、不間斷的發(fā)展創(chuàng)新中。

如今，SIMD插件不僅在多媒體加速方面獲得了成功應(yīng)用，還已延拓到數(shù)字信號處理、圖形圖像、游戲加速等多個領(lǐng)域[8]。當然就優(yōu)化實力而言，現(xiàn)階段SIMD擴展在天然的數(shù)據(jù)并行、重復(fù)的訪存模式、重復(fù)性的操作局部數(shù)據(jù)，F(xiàn)FT（快速傅里葉變換）、編解碼方面的效果較為明顯。并且，在后續(xù)的發(fā)展實踐中，人們發(fā)現(xiàn)同樣可以使用SIMD來加速科學(xué)計算程序，如在對DNA序列進行比對、求根運算和矩陣運算、以及加解密算法等的研發(fā)處理中，SIMD早已滲透到方方面面[9]。而指針的別名分析、復(fù)雜的數(shù)據(jù)依賴和控制依賴、以及不規(guī)則的訪問模式等等，卻都阻礙著向量指令的有效挖掘[10]。

本文第一節(jié)對比傳統(tǒng)向量機和SIDM擴展部件的體系結(jié)構(gòu)說明SIMD的優(yōu)勢，通過列舉手寫匯編和自動向量化引出自動編譯。第2、3節(jié)探討分析了發(fā)掘方法、數(shù)據(jù)布局和部分優(yōu)化算法。第4節(jié)論述了編譯優(yōu)化的未來發(fā)展趨勢，第5節(jié)則給出了全文總結(jié)。

[BT4]1SIMD研發(fā)概述

[BT5]1.1體系結(jié)構(gòu)的對比

并行處理計算機在結(jié)構(gòu)方面主要為以下幾種：流水線結(jié)構(gòu)、多功能部件結(jié)構(gòu)、陣列結(jié)構(gòu)、多處理機結(jié)構(gòu)和數(shù)據(jù)流結(jié)構(gòu)[11]。其中，流水線結(jié)構(gòu)將指令執(zhí)行過程分為若干段，每段執(zhí)行指令的一部分。當本段指令執(zhí)行后而即將進入下一段時，下條指令就會流入本段。因此，流水線計算機在整個流水線上可以對若干指令來設(shè)定并行處理。SIMD就是在一個控制器下對多個處理單元來選擇提供控制[12]，對一隊列數(shù)據(jù)中的所有元素進行同類操作，以此實現(xiàn)空間并行，相對于SIMD只是一個通用處理器的插件而言，傳統(tǒng)向量機的存儲系統(tǒng)和互聯(lián)結(jié)構(gòu)都展開了專門的設(shè)計。

[BT5]1.2使用途徑

SIMD挖掘可劃分為2類：手寫匯編和自動向量化。具體來說，手寫匯編即手工向量化[13]，這就對程序員提出了重點要求，也就是需要具備豐富的實戰(zhàn)經(jīng)驗。以及對體系結(jié)構(gòu)和指令集的豐厚知識。但在大規(guī)模并行的條件下，指令間數(shù)據(jù)、控制依賴關(guān)系較為復(fù)雜，手寫匯編工作量甚大，出錯概率增加，因而生成的代碼很難具備普適性[14]，且不同的處理器，向量化指令集在配置上也各有不同，相應(yīng)地也未能呈現(xiàn)良好可移植性。而自動向量化則是從編譯器角度出發(fā)，通過對程序的控制流、數(shù)據(jù)流進行分析，自主實現(xiàn)標量代碼向量化的方法。在此過程中，程序員已無需考慮應(yīng)用程序的具體細節(jié)，更遑論對程序的單獨設(shè)計修改，工作量由此將大大減少。不僅如此，編譯器還可以對程序生成各種優(yōu)化處理，這一切均已使得編譯器自動向量化正日漸成為SIMD程序向量化的主要工作方式。

[BT5]1.3相關(guān)研究

目前，SIMD的研究已引起了廣泛關(guān)注，關(guān)注焦點即是圍繞關(guān)鍵技術(shù)的研究，例如對于相應(yīng)編譯器的研發(fā)設(shè)計。如VAST編譯器對AtilVec[15]擴展指令集代碼的定制融合，支持SSE/SSE2的PGI Workstation Fortran/C/C++編譯器、以及支持SSE/MMV/AVX的Intel icc[16]、IBM的xlc、gcc、神威藍光、龍芯[17]等。

目前，歷經(jīng)十余年的發(fā)展演變，SIMD的優(yōu)化效果仍有待改進與提升，主要可從如下方面斟酌入手：指針別名和挖掘向量化的方法。向量化的挖掘就是如何識別可并行指令，生成向量指令，一般從循環(huán)、基本塊和函數(shù)級進行分析。

[BT4]2向量化的挖掘

一般而言，并行處理可分為5個等級和2個粒度，如圖1所示。層次越高，粒度越大；層次越低，粒度越小。對于粒度，可將其分為粗粒度和細粒度，SIMD屬于細粒度[18]。目前，SIMD涉及的典型向量化方法主要有：基于循環(huán)的傳統(tǒng)向量化方法、SLP（superword level parallelism）及模式匹配等。

2.1循環(huán)級向量化

循環(huán)級向量化在設(shè)計上包括著如下步驟：控制流分析、循環(huán)預(yù)處理、依賴分析、循環(huán)變換、向量化代碼生成。其中，控制流分析，用于建立中間表示層的控制流分析，在此基礎(chǔ)上，通過控制流圖識別循環(huán)。預(yù)處理，用于實現(xiàn)對循環(huán)信息的記錄，刪除冗余代碼和外提循環(huán)不變代碼與規(guī)范指針。依賴分析，分析循環(huán)中的數(shù)據(jù)依賴，并以此構(gòu)造數(shù)據(jù)流圖。循環(huán)變換和向量化代碼生成實現(xiàn)標量代碼到向量代碼的替代。經(jīng)由研究得知，循環(huán)變換技術(shù)可進一步解析為標量擴張、循環(huán)分布、循環(huán)合并、分段和展開以及剝離技術(shù)[19-21]。在此，各分項技術(shù)的功能闡釋可概述如下。

1）標量擴張。是用編譯器生成的臨時數(shù)組T-temp替代循環(huán)中的標量，主要使用場景為循環(huán)中標量和數(shù)組混用[22]。標量依賴產(chǎn)生的原因是使用相同的存儲空間存儲臨時單元，在此使用標量依賴可以消除依賴，進行向量化。

2）循環(huán)分布。循環(huán)分布基于語句，將一個循環(huán)分解為多個，分解后的循環(huán)與原循環(huán)擁有相同的迭代空間，是原循環(huán)語句的子集。通常，循環(huán)分布適用于如下方面：

①可向量化循環(huán)的分解。②將原循環(huán)分解為較小的循環(huán)，改善Cache與TCB局部性。③緊嵌套循環(huán)的創(chuàng)建。④為減小寄存器壓力，將原循環(huán)分解為較少變量引用的循環(huán)的集合[23]。

循環(huán)分布依賴于語句間的依賴關(guān)系，以強聯(lián)通子圖對語句依賴關(guān)系圖進行分解，在循環(huán)分布之先，一般需前置語句重排，強聯(lián)通分量的查找等操作，語句重排可參照tarjian算法[24-25]。

3）循環(huán)合并。循環(huán)分布的逆過程是循環(huán)合并[26]，循環(huán)合并是將2個及其以上的循環(huán)合并為一個大的循環(huán)，以此減小組織循環(huán)并行的開銷，并提高數(shù)據(jù)局部性。一般，循環(huán)合并技術(shù)都是在開發(fā)并行程序時設(shè)計引入的，用于增加程序并行粒度，從而降低額外的同步開銷。

4）循環(huán)分段和展開。循環(huán)分段[19，21]將一個循環(huán)劃分為不同的段，每個循環(huán)中包含了多個原循環(huán)的迭代，主要用于將迭代次數(shù)較多的一層循環(huán)改寫為外層并行化和內(nèi)層向量化的循環(huán)。SIMD向量化指令的生成過程同時也是一種隱式循環(huán)分段，段長為向量寄存器可以一次處理的數(shù)據(jù)的個數(shù)，同時也是SIMD部件可以一次執(zhí)行的標量操作數(shù)個數(shù)。

5）循環(huán)交換。循環(huán)交換[20-21，27]將緊嵌套循環(huán)中2個循環(huán)的順序進行交換，在程序變換中呈現(xiàn)出最高執(zhí)行效率。主要可在以下方面對性能提供設(shè)計改進：

①將內(nèi)外層無依賴循環(huán)和有依賴循環(huán)進行交換，使得內(nèi)層循環(huán)可向量化。②將范圍較大的循環(huán)交換至外層，增加向量長度。循環(huán)交換在本質(zhì)上是一種迭代空間重排序的方式，其合法性與數(shù)據(jù)依賴關(guān)系有關(guān)。

[BT5]2.2基本塊級

指令級并行中SLP應(yīng)用廣泛，可追溯至2000年由Larsen和Amarasingle[10]首創(chuàng)提出，其設(shè)計側(cè)重于在一段代碼空間展開并行性的挖掘，最終，仍舊為循環(huán)的向量化服務(wù)，主要思路是在基本塊內(nèi)尋找相鄰的內(nèi)存訪問，并將其配對、打包；同時通過定義使用鏈（DU）/使用定義鏈（UD）進行包擴展；而后，組合同構(gòu)操作[22]，實現(xiàn)向量化代碼的生成。在具體過程中，按照一定的迭代次數(shù)對循環(huán)依序處理展開，將地址連續(xù)的數(shù)據(jù)打包，再用向量指令替代同構(gòu)語句。對迭代內(nèi)和迭代間SIMD數(shù)據(jù)向量化，可以將不同循環(huán)塊中的語句融合到一個基本塊中。SLP并行算法流程如圖2所示。

綜合前述分析可知，超字級并行的優(yōu)點可做如下基本概述[9]：

1）超字級并行是對基本塊進行操作，這既適用于迭代內(nèi)并行性的挖掘，又對迭代間也實際有效。

2）SLP從內(nèi)存連續(xù)的數(shù)據(jù)訪問出發(fā)，提供了對迭代內(nèi)連續(xù)內(nèi)存數(shù)據(jù)訪問的機會。

3）通過DU和UD完成包擴展，減少寄存器重組等操作。

同樣，SLP也存在一定的不足，可具體表述為：首先，SLP實現(xiàn)基本塊內(nèi)語句的并行性是通過循環(huán)合并和基本塊展開來設(shè)計得到的，盲目的循環(huán)合并和基本塊的展開有時可能會帶來比收益更多的性能損耗；其次，三地址化、數(shù)據(jù)流優(yōu)化等變換也可能會加大優(yōu)化難度。

[BT5]2.3模式匹配的向量化方法

模式匹配是面向程序特性的一種方法，按照某種特定的模式，使用語句生成樹的模式匹配，同時得到典型操作的擴展指令，如許多程序中大量出現(xiàn)的飽和運算、max/min、計算平均值、乘加運算等。這些運算通常處于程序中的功能熱點，在執(zhí)行時間中占據(jù)較大比重，但對高級語言來說，大多數(shù)卻都不能支持這些典型操作，SIMD擴展通常為此提供一些特殊指令的設(shè)計，一般而言，使用這些特殊的指令可以顯著降低執(zhí)行時間[22，28]。

通常情況下，因為受限于SIMD擴展體系結(jié)構(gòu)，模式識別則僅是作為傳統(tǒng)向量化方法和SLP的補充，而這2種方法在高校等研究機構(gòu)中則更為常見及普遍。

[BT4]3對齊分析及優(yōu)化

一般來說，SIMD擴展支持展示的數(shù)據(jù)訪問都是在向量寄存器寬度對齊的情況下指定發(fā)生的，對于不同的SIMD擴展，內(nèi)存訪問的對齊方式要求也各不相同，同時，無論何種結(jié)構(gòu)，非對齊數(shù)據(jù)的訪問必然引入額外的開銷。對齊分析時，需全面分析數(shù)據(jù)訪存與向量寄存器寬度[29]，從屬于流分析的一種，主要包括過程間對齊分析和別名分析。

為此，展開針對性的研究指出：別名分析來源于c語言中對指針和引用并未設(shè)定限制的選擇開發(fā)。當多于2個存儲表達式在同一程序點引用相同存儲位置就是指針別名。指針引入了2個基本的問題。一是指針變量在使用過程中可以指向的內(nèi)存單元不同，預(yù)先對某時刻訪問的內(nèi)存單元進行定位將具備一定難度；二是內(nèi)存單元因為可被多個指針定制訪問而形成的內(nèi)存單元的別名。即指針操作的靈活性使得在運行時期對其指向位置的定位成為一個難題，但其結(jié)果往往是其他程序分析、變換的基礎(chǔ)，指針別名的精度嚴重影響著許多應(yīng)用的性能，包括：自動向量化、安全性分析、bug的檢測、硬件合成、以及多線程分析。而且，經(jīng)過梳理20年的發(fā)展歷程，已陸續(xù)提出了一些技術(shù)主要圍繞提高別名分析的精度而各顯其獨特優(yōu)勢，諸如：考慮控制流的流敏感分析[30-31]，參考聚類數(shù)據(jù)類型成員指向關(guān)系的域敏感分析[32-33]，以及上下文敏感分析[34-35]和路徑敏感等多維度靜態(tài)分析。但是對于動態(tài)指針別名分析，還較少見到完備研究?，F(xiàn)在，對于指針的別名分析大多就是通過動態(tài)插樁和試運行來最終獲得[36]，將插樁得到的別名信息反饋到向量化階段指導(dǎo)向量化代碼的生成。設(shè)計實現(xiàn)框架如圖3所示，主要可分為預(yù)分析、插樁試運行和反饋階段。具體地，在預(yù)分析階段，使用靜態(tài)指針分析與向量化識別的方法構(gòu)建候選的別名分析集合，而在后續(xù)的插樁試運行階段，將重點研究預(yù)分析中確定的候選別名分析集，分析運行時的指針地址、循環(huán)迭代次數(shù)、上下文和應(yīng)用點的跨步的長度信息；以此為基礎(chǔ)，再依據(jù)profiling信息對向量化進行測試，依據(jù)測試結(jié)果控制運行時版本。

4未來的挑戰(zhàn)

1）現(xiàn)有的向量化算法大多都預(yù)設(shè)在一種沒有控制依賴的理想實現(xiàn)條件下，但在實際使用中，許多的循環(huán)內(nèi)部都存在著嚴重的控制依賴，雖然已有一部分研究正在關(guān)注著應(yīng)該如何向量化存在控制流的循環(huán)，但在處理上卻并未臻至有效和成功，如何完善循環(huán)中存在著控制流依賴將是自動向量化面臨的重大挑戰(zhàn)[37]。

2）向量化條件嚴格。只有在無對齊問題和數(shù)據(jù)依賴問題均不存在的情況下，循環(huán)才可進行向量化，并且對于非對齊和非連續(xù)的訪存，或者將不能獲取向量化，即使能轉(zhuǎn)入向量化也需要使用專門的指令展開設(shè)計處理，這就將顯著降低向量化的進程效率。對此，有些研究嘗試在向量化之前即對收益求取價值評估，以此避免向量化之后可能造成的性能下降的不利后果[23，29]。

3）雖然，基于編譯指導(dǎo)的SIMD編譯優(yōu)化技術(shù)實現(xiàn)了一部分的向量化功能，但與目前比較主流的OpenMP并行化編程語言在種類和功能上都存在較大的差距，所以，需要針對基于編譯指導(dǎo)的SIMD編譯增加有效知識體系拓展，進一步豐富、強化其功能[27]。

5結(jié)束語

本文首先對SIMD擴展部件的起源和行業(yè)背景進行了描述，對傳統(tǒng)向量機和SIMD擴展部件的工作原理提出了分析論述，同時又對比了兩者體系結(jié)構(gòu)。進一步地，則給出了手寫匯編與自動向量化兩者間的優(yōu)缺點對照解析。在此基礎(chǔ)上，第2、3節(jié)即對現(xiàn)階段部分優(yōu)化算法展開了全面研究，自動向量化的本質(zhì)是如何挖掘出盡可能多的指令，實現(xiàn)大規(guī)模的并行，本文主要圍繞自動向量化的挖掘部分，粒度上從基本塊級和循環(huán)級進行分析，技術(shù)上從指針別名進行分析，詳細整合評析了SIMD現(xiàn)階段發(fā)展的相關(guān)算法，并于論文最終指出了未來需要應(yīng)對的前景挑戰(zhàn)。

參考文獻：

DIPED B E， BSC K R. SIMD programming manual for Linux and Windows[M]. London： Springer-Verlag， 2004：23-47.

[2] PELEG A， WEISER U. MMX technology extension to the Intel architecture[J] . IEEE Micro， 1996， 16（ 4） ： 42-50.

[3] Intel Corporation. IA -32 Intel architecture software developers manual[EB/OL].[2006-06]. http： / / developer.intel.com.

[4] BACHEGA L ， CHATTERJEE S， DOCKSER K/. et al. A high-performance SIMD floating point unit for BlueGene/L： Architecture， compilation and algorithm design[C]//Proc. of 13th International Conference on Parallel Achitecture and Compilation Techniques. Washington， DC， USA：IEEE， 2004：85-96.

[5] CARLSON D A， CASTENLINO R W， MUELLER R O. Multimedia extensions for a 550 MHZ RISC microprocessor[J]. IEEE Journal of Solid-State Circuits， 1997， 32（11）： 1618-1624.

[6] PENG Fei， GU Naijie. SIMD compiler optimization and analysis based on Godson-3B processor[J]. Journal of Chinese Computer Systems， 2012， 33（12）：2733-2737.

[7] XIN Naijun， CHEN Xuchan. Extending the vector instruction set for highperformance DSP Matrix based on GCC[J]. Computer Engineering & Science， 2012，34（1）：57-63.

[8] NUZMAN D， ROSEN I， ZAKS A. Auto-vectorization of interleaved data for SIMD[C]//Acm Sigplan Notices. Ottawa， Canada：ACM， 2006， 41（6）：132-143.

[9] 高偉. 面向SIMD的自動向量化優(yōu)化技術(shù)研究[D]. 鄭州：信息工程大學(xué)， 2013：1-5.

[10]高偉，趙榮彩，韓林，等. SIMD自動向量化編譯優(yōu)化概述[J]. 軟件學(xué)報，2015，26（6）：1265-1284.

[11] 360百科. 并行處理計算機系統(tǒng)[EB/OL]. [2013-06-23]. http：//baike.so.com/doc/6554956-6768705.html.

[12]王迪. SIMD編譯優(yōu)化技術(shù)研究[D]. 杭州：浙江大學(xué)，2008：2-12.

[13] BROWN D， LEVINE J， MASON T. Lex &YACC[M]. 2nd ed. Sebastopol： O Reilly Media，1992.

[14]姚遠. SIMD自動向量識別及代碼調(diào)優(yōu)技術(shù)研究[D]. 鄭州：解放軍信息工程大學(xué)，2012：2-11.

[15] DIEFENDORFF K， DUBEY P K， HOCHSPRUNG R， et al. Altivec extension to Power PC accelerates media processing[J]. IEEE Micro， 2000， 20（2）：85-95.

[16]朱嘉華. SIMD編譯優(yōu)化研究[D]. 上海：復(fù)旦大學(xué)，2005：16-17.

[17]彭飛，顧乃杰，高翔，等. 龍芯3B的SIMD編譯優(yōu)化及分析[J].小型微型計算機系統(tǒng)，2012，33（12）：2733-2737.

[18]鄭維民，湯志忠. 計算機系統(tǒng)結(jié)構(gòu)[M]. 北京：清華大學(xué)出版社，2001：330-334.

[19] KENNEDY K ALLEN J R. Optimizing compilers for modern architectures： A dependence-based approach[M]. San Francisco， California：Morgan Kaufmann Publishers， 2002.

[20]陳火旺，劉春林，譚慶平，等著. 程序設(shè)計語言編譯原理 [M]. 3 版. 北京：國防工業(yè)出版社，2000：369.

[21]沈志宇，胡子昂，廖湘科，等著. 并行編譯方法 [M]. 北京：國防工業(yè)出版社，2000.

[22]黃磊. 循環(huán)變換技術(shù)在自動向量化中的應(yīng)用研究[D]. 鄭州：解放軍信息工程大學(xué)，2011：2-10.

[23]張媛媛. 自動向量化的收益評估技術(shù)研究[D]. 鄭州：解放軍信息工程大學(xué)，2011：2-25.

[24]陳文光，楊博，王紫瑤，等. 一個交互式的 Fortran77 并行化系統(tǒng)[J]. 軟件學(xué)報，1999，10（12）：1259-1267.

[25] TARJIAN R E . Depth first search and liner graph algorithms [J]. SIAM Journal of Computing， 1972，1（2）：146-160.

[26] MAYDAN D E， HENNESSY J L， LAM M S. Efficient and exact data dependence analysis [C]// Pldi 91： Acm Sigplan Conference on Programming Language Design & Implementation. Toronto， Ontario， Canada： ACM， 1991： 1-14.

[27] ALLEN J R， KENNEDY K. Automatic loop interchange[C]// 20 Years of the ACM/SIGPLAN Conference on Programming Language Design and Implementation （1979-1999）： A Selection. San Diego， California， USA：ACM，2003：75-90.

[28]朱嘉風. 面向SIMD的編譯指導(dǎo)與條件分支的編譯優(yōu)化技術(shù)[D]. 鄭州：解放軍信息工程大學(xué)，2011.

[29]吳圣寧 ， 李思昆. 多媒體處理器的 SIMD 代碼生成 [J]. 計算機科學(xué) ，2007，34（7）：268-270.

[30] Rei T. Expression Data Flow Gragh： Precise FlowSensitive Pointer Analysis for C Programs[D]. Edmonton： University of Alberta，2011.

[31] YU Hongtao， XUE Jingling， HUO wei， et al. Level by level ：Making flowand contextsensitive pointer analysis scalable for millions of lines of code[C]//Proceeding of the 8th Annual IEEE/ACM International Symposium on Code Generation and Optimization（CGO10）. Toronto， Ontario， Canada：ACM，2010：218-229.

[32] PEARCE D J， KELLY P H J， HANKIN C. Efficient filedsensitive pointer analysis of C[J]. ACM Transactions on Programming Languages and Systems（TOPLAYS），2007，30（1）：106-148.

[33]YU Hongtao， ZHANG Zhaoqing. An aggressively filedsensitive unificationbased pointer analysis[J]. Chinese Journal of Computers，2009，32（9）：1722.

[34]YAN Dacong ，XU Guoqing， ROUNTEV A. Demanddriven contextsensitive alias analysis for Java[C]//Providings of the 2011 International Symposium on Software Testing And Analysis（ISSTA11）. Toronto， Ontario， Canada：ACM，2011：155-165.

[35] CHRIS L， LENHARTH A， ADVE V.Making contextsensitive pointsto analysis with heap cloning practical for the real world[J]. ACM SIG，2007，42（6）：278-289.

[36]劉鵬，趙榮彩，李鵬遠. 一種面向向量化的動態(tài)指針別名分析框架[J]. 計算機科學(xué)，2015，42（3）：26-30.

[37]MAYDAN D E， AMARASINGHE S P，LAM M S. Arraydata flow analysis and its use in array privatization[C]//Proceedings of the 20th ACM SIGPLANSIGACT symposium on Principles of programming languages. Charleston， South Carolina， USA：ACM，1993，94C（8）：2-15.

[38]魏帥. 面向SIMD向量化算法級重組技術(shù)研究[D]. 鄭州： 解放軍信息工程大學(xué)，2012：176-177.[ZK）]

[FL）]