3211346c9f705afd635aeef8ab739b3fb2b20246
[web.git] / personal / _posts / 2018-07-24-pointers-and-bytes.md
1 ---
2 title: "Pointers Are Complicated, or: What's in a Byte?"
3 categories: internship rust
4 forum: https://internals.rust-lang.org/t/pointers-are-complicated-or-whats-in-a-byte/8045
5 ---
6
7 This summer, I am again [working on Rust full-time]({{ site.baseurl }}{% post_url 2018-07-11-research-assistant %}), and again I will work (amongst other things) on a "memory model" for Rust/MIR.
8 However, before I can talk about the ideas I have for this year, I have to finally take the time and dispel the myth that "pointers are simple: they are just integers".
9 Both parts of this statement are false, at least in languages with unsafe features like Rust or C: Pointers are neither simple nor (just) integers.
10
11 I also want to define a piece of the memory model that has to be fixed before we can even talk about some of the more complex parts: Just what *is* the data that is stored in memory?
12 It is organized in bytes, the minimal addressable unit and the smallest piece that can be accessed (at least on most platforms), but what are the possible values of a byte?
13 Again, it turns out "it's just an 8-bit integer" does not actually work as the answer.
14
15 I hope that by the end of this post, you will agree with me on both of these statements. :)
16
17 <!-- MORE -->
18
19 ## Pointers Are Complicated
20
21 What is the problem with "pointers are just integers"?  Let us consider the following example:<br>
22 (I am using C++ code here mostly because writing unsafe code is easier in C++, and unsafe code is where these problems really show up.)
23 {% highlight c++ %}
24 int test() {
25     auto x = new int[8];
26     auto y = new int[8];
27     y[0] = 42;
28     int i = /* some side-effect-free computation */;
29     auto x_ptr = &x[i];
30     *x_ptr = 23;
31     return y[0];
32 }
33 {% endhighlight %}
34 It would be beneficial to be able to optimize the final read of `y[0]` to just return `42`.
35 The justification for this optimization is that writing to `x_ptr`, which points into `x`, cannot change `y`.
36
37 However, given how low-level a language C++ is, we can actually break this assumption by setting `i` to `y-x`.
38 Since `&x[i]` is the same as `x+i`, this means we are actually writing `23` to `&y[0]`.
39
40 Of course, that does not stop C++ compilers from doing these optimizations.
41 To allow this, the standard declares our code to have [undefined behavior]({{ site.baseurl }}{% post_url 2017-07-14-undefined-behavior %}).
42
43 First of all, it is not allowed to perform pointer arithmetic (like `&x[i]` does) that goes [beyond either end of the array it started in](https://timsong-cpp.github.io/cppwp/n4140/expr.add#5).
44 Our program violates this rule: `x[i]` is outside of `x`, so this is undefined behavior.
45 To be clear: Just the *computation* of `x_ptr` is already UB, we don't even get to the part where we want to *use* this pointer![^1]
46
47 [^1]: It turns out that `i = y-x` is *also* undefined behavior because [one may only subtract pointers into the same allocation](https://timsong-cpp.github.io/cppwp/n4140/expr.add#6). However, we could use `i = ((size_t)y - (size_t)x)/sizeof(int)` to work around that.
48
49 But we are not done yet: This rule has a special exception that we can exploit to our advantage.
50 If the arithmetic ends up computing a pointer *just past* the end of an allocation, that computation is fine.
51 (This exception is necessary to permit computing `vec.end()` for the usual kind of C++98 iterator loop.)
52
53 So let us change this example a bit:
54 {% highlight c++ %}
55 int test() {
56     auto x = new int[8];
57     auto y = new int[8];
58     y[0] = 42;
59     auto x_ptr = &x[8]; // one past the end
60     if (x_ptr == &y[0])
61       *x_ptr = 23;
62     return y[0];
63 }
64 {% endhighlight %}
65 Now, imagine that `x` and `y` have been allocated *right next to each other*, with `y` having the higher address.
66 Then `x_ptr` actually points *right at the beginning* of `y`!
67 The conditional is true and the write happens.
68 Still, there is no UB due to out-of-bounds pointer arithmetic.
69
70 This seems to break the optimization.
71 However, the C++ standard has another trick up its sleeve to help compiler writers: It doesn't actually allow us to *use* our `x_ptr` above.
72 According to what the standard says about [addition on pointers](https://timsong-cpp.github.io/cppwp/n4140/expr.add#5), `x_ptr` points "one past the last element of the array object".
73 It does *not* point at an actual element of another object *even if they have the same address*. (At least, that is the common interpretation of the standard based on which [LLVM optimizes this code](https://godbolt.org/g/vxmtej).)
74
75 The key point here is that just because `x_ptr` and `&y[0]` point to the same *address*, that does not make them *the same pointer*, i.e., they cannot be used interchangeably:
76 `&y[0]` points to the first element of `y`; `x_ptr` points past the end of `x`.
77 If we replace `*x_ptr = 23` by `*&y[0] = 0`, we change the meaning of the program, even though the two pointers have been tested for equality.
78
79 This is worth repeating:
80
81 > *Just because two pointers point to the same address, does not mean they are equal and can be used interchangeably.*
82
83 If this sounds subtle, it is.
84 In fact, this still causes miscompilations in both [LLVM](https://bugs.llvm.org/show_bug.cgi?id=35229) and [GCC](https://gcc.gnu.org/bugzilla/show_bug.cgi?id=65752).
85
86 Also notice that this one-past-the-end rule is not the only part of C/C++ where this effect can be witnessed.
87 Another example is the [`restrict`](https://en.wikipedia.org/wiki/Restrict) keyword in C, which can be used to express that pointers do not alias:
88 {% highlight c %}
89 int foo(int *restrict x, int *restrict y) {
90     *x = 42;
91     if (x == y) {
92         *y = 23;
93     }
94     return *x;
95 }
96
97 int test() {
98     int x;
99     return foo(&x, &x);
100 }
101 {% endhighlight %}
102 Calling `test()` triggers UB because the two accesses in `foo` must not alias.
103 Replacing `*y` by `*x` in `foo` changes the meaning of the program such that it no longer has UB.
104 So, again, even though `x` and `y` have the same address, they cannot be used interchangeably.
105
106 Pointers are definitely not integers.
107
108 ## A Simple Pointer Model
109
110 So, what *is* a pointer?
111 I don't know the full answer to this.
112 In fact, this is an open area of research.
113
114 Here's a simple proposal (in fact, this is the model of pointers used in [CompCert](https://hal.inria.fr/hal-00703441/document) and my [RustBelt work]({{ site.baseurl }}{% post_url 2017-07-08-rustbelt %}), and it is also how [miri](https://github.com/solson/miri/) implements pointers):
115 A pointer is a pair of some kind of ID uniquely identifying the *allocation*, and an *offset* into the allocation.
116 Adding/subtracting an integer to/from a pointer just acts on the offset, and can thus never leave the allocation.
117 Subtracting a pointer from another is only allowed when both point to the same allocation (matching [C++](https://timsong-cpp.github.io/cppwp/n4140/expr.add#6)).[^2]
118
119 [^2]: As we have seen, the C++ standard actually applies these rules on the level of arrays, not allocations. However, LLVM applies the rule on a [per-allocation level](https://llvm.org/docs/LangRef.html#getelementptr-instruction).
120
121 It turns out (and miri shows) that this model can get us very far.
122 We always remember which allocation a pointer points to, so we can differentiate a pointer "one past the end" of one allocation from a pointer to the beginning of another allocation.
123 That's how miri can detect that our second example (with `&x[8]`) is UB.
124
125 In this model, pointers are not integers, but they are at least simple.
126 However, this simple model starts to fall apart once you consider pointer-integer casts.
127 In miri, casting a pointer to an integer does not actually do anything, we now just have an integer variable whose value is a pointer (i.e., an allocation-offset pair).
128 Multiplying that integer by 2 leads to an error, because it is entirely unclear what it means to multiply such a pair by 2.
129 A full definition of a language like C++ or Rust of course cannot take this shortcut, it has to explain what really happens here.
130 To my knowledge, no satisfying solution exists, but we are [getting](http://www.cis.upenn.edu/%7Estevez/papers/KHM+15.pdf) [closer](http://sf.snu.ac.kr/publications/llvmtwin.pdf).
131 This is why pointers are not simple, either.
132
133 ## From Pointers to Bytes
134
135 I hope I made a convincing argument that integers are not the only data one has to consider when formally specifying low-level languages such as C++ or (the unsafe parts of) Rust.
136 However, this means that a simple operation like loading a byte from memory cannot just return a `u8`.
137 What if that byte is part of a pointer?  When a pointer is a pair of allocation and offset, what is its first byte?
138 We cannot represent this as a `u8`.
139 Instead, we will remember both the pointer, and which byte of the pointer we got.
140 If we were to implement our memory model in Rust, this might look as follows:
141 {% highlight rust %}
142 enum ByteV1 {
143   Bits(u8),
144   PtrFragment(Pointer, u8),
145 }
146 {% endhighlight %}
147 For example, a `PtrFragment(ptr, 0)` represents the first byte of `ptr`.
148 This way, we can "take apart" a pointer into the individual bytes that represent this pointer in memory, and assemble it back together.
149 On a 32bit architecture, the full value representing `ptr` consists of the following 4 bytes:
150 ```
151 [PtrFragment(ptr, 0), PtrFragment(ptr, 1), PtrFragment(ptr, 2), PtrFragment(ptr, 3)]
152 ```
153 Such a representation supports performing all byte-level "data moving" operations on pointers, like implementing `memcpy` by copying one byte at a time.
154 Arithmetic or bit-level operations are not fully supported; as already mentioned above, that requires a more sophisticated pointer representation.
155
156 ## Uninitialized Memory
157
158 However, we are not done yet with our definition of a "byte".
159 To fully describe program behavior, we need to take one more possibility into account: A byte in memory could be *uninitialized*.
160 The final definition for a byte (assuming we have a type `Pointer` for pointers) thus looks as follows:
161 {% highlight rust %}
162 enum Byte {
163   Bits(u8),
164   PtrFragment(Pointer, u8),
165   Uninit,
166 }
167 {% endhighlight %}
168
169 `Uninit` is the value we use for all bytes that have been allocated, but not yet written to.
170 Reading uninitialized memory is fine, but actually *doing* anything with those bytes (like, using them in integer arithmetic) is undefined behavior.
171
172 This is very similar to the rules LLVM has for its special value called `poison`.
173 Note that LLVM *also* has a value called `undef`, which it uses for uninitialized memory and which works somewhat differently -- however, compiling our `Uninit` to `undef` is actually correct (`undef` is in some sense "weaker"), and there are proposals to [remove `undef` from LLVM and use `poison` instead](http://www.cs.utah.edu/~regehr/papers/undef-pldi17.pdf).
174
175 You may wonder why we have a special `Uninit` value at all.
176 Couldn't we just pick some arbitrary `b: u8` for each newly allocated byte, and then use `Bits(b)` as the initial value?
177 That would indeed also be an option.
178 However, first of all, pretty much all compilers have converged to having a sentinel value for uninitialized memory.
179 Not doing that would not only pose trouble when compiling through LLVM, it would also require reevaluating many optimizations to make sure they work correctly with this changed model.
180 The key point is that it is always safe, during compilation, to replace `Uninit` by any value: Any operation that actually observes this value is UB anyway.
181
182 For example, the following C code becomes easier to optimize with `Uninit`:
183 {% highlight c %}
184 int test() {
185     int x;
186     if (condA()) x = 1;
187     // Lots of hard to analyze code that will definitely return when condA()
188     // does NOT hold, but will not change x.
189     use(x); // want to optimize x to 1.
190 }
191 {% endhighlight %}
192 With `Uninit`, we can easily argue that `x` is either `Uninit` or `1`, and since replacing `Uninit` by `1` is okay, the optimization is easily justified.
193 Without `Uninit`, however, `x` is either "some arbitrary bit pattern" or `1`, and doing the same optimization becomes much harder to justify.[^3]
194
195 [^3]: We could argue that we can reorder when the non-deterministic choice is made, but then we have to prove that the hard to analyze code does not observe `x`.  `Uninit` avoids that unnecessary extra proof burden.
196
197 Finally, `Uninit` is also a better choice for interpreters like miri.
198 Such interpreters have a hard time dealing with operations of the form "just choose any of these values" (i.e., non-deterministic operations), because if they want to fully explore all possible program executions, that means they have to try every possible value.
199 Using `Uninit` instead of an arbitrary bit pattern means miri can, in a single execution, reliably tell you if your programs uses uninitialized values incorrectly.
200
201 ## Conclusion
202
203 We have seen that pointers can be different even when they point to the same address, and that a byte is more than just a number in `0..256`.[^4]
204 With this, I think we are ready to look at a first draft of my "2018 memory model" (working title ;) -- in the next post. :)
205
206 Thanks to @rkruppe and @nagisa for help in finding arguments for why `Uninit` is needed.
207 If you have any questions, feel free to [ask in the forums](https://internals.rust-lang.org/t/pointers-are-complicated-or-whats-in-a-byte/8045)!
208
209 [^4]: And just to be clear, I am talking about a pointer or byte in the model of an optimized *programming language* here.  When modeling hardware, everything is different.
210
211 #### Footnotes