defc2ecc48aa583ae92ba642a4cb034877fc4eac
[web.git] / ralf / _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 ---
5
6 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.
7 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".
8 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.
9
10 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?
11 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?
12 Again, it turns out "it's just an 8-bit integer" does not actually work as the answer.
13
14 I hope that by the end of this post, you will agree with me on both of these statements. :)
15
16 <!-- MORE -->
17
18 ## Pointers Are Complicated
19
20 What is the problem with "pointers are just integers"?  Let us consider the following example:<br>
21 (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.)
22 {% highlight c++ %}
23 int test() {
24     auto x = new int[8];
25     auto y = new int[8];
26     y[0] = 42;
27     int i = /* some side-effect-free computation */;
28     auto x_ptr = &x[i];
29     *x_ptr = 23;
30     return y[0];
31 }
32 {% endhighlight %}
33 It would be beneficial to be able to optimize the final read of `y[0]` to just return `42`.
34 The justification for this optimization is that writing to `x_ptr`, which points into `x`, cannot change `y`.
35
36 However, given how low-level a language C++ is, we can actually break this assumption by setting `i` to `y-x`.
37 Since `&x[i]` is the same as `x+i`, this means we are actually writing `23` to `&y[0]`.
38
39 Of course, that does not stop C++ compilers from doing these optimizations.
40 To allow this, the standard declares our code to have [undefined behavior]({{ site.baseurl }}{% post_url 2017-07-14-undefined-behavior %}).
41
42 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).
43 Our program violates this rule: `x[i]` is outside of `x`, so this is undefined behavior.
44 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]
45
46 [^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.
47
48 But we are not done yet: This rule has a special exception that we can exploit to our advantage.
49 If the arithmetic ends up computing a pointer *just past* the end of an allocation, that computation is fine.
50 (This exception is necessary to permit computing `vec.end()` for the usual kind of C++98 iterator loop.)
51
52 So let us change this example a bit:
53 {% highlight c++ %}
54 int test() {
55     auto x = new int[8];
56     auto y = new int[8];
57     y[0] = 42;
58     auto x_ptr = &x[8]; // one past the end
59     if (x_ptr == &y[0])
60       *x_ptr = 23;
61     return y[0];
62 }
63 {% endhighlight %}
64 Now, imagine that `x` and `y` have been allocated *right next to each other*, with `y` having the higher address.
65 Then `x_ptr` actually points *right at the beginning* of `y`!
66 The conditional is true and the write happens.
67 Still, there is no UB due to out-of-bounds pointer arithmetic.
68
69 This seems to break the optimization.
70 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.
71 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".
72 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).)
73
74 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:
75 `&y[0]` points to the first element of `y`; `x_ptr` points past the end of `x`.
76 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.
77
78 This is worth repeating:
79
80 > *Just because two pointers point to the same address, does not mean they are equal and can be used interchangeably.*
81
82 If this sounds subtle, it is.
83 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).
84
85 Also notice that this one-past-the-end rule is not the only part of C/C++ where this effect can be witnessed.
86 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:
87 {% highlight c %}
88 int foo(int *restrict x, int *restrict y) {
89     *x = 42;
90     if (x == y) {
91         *y = 23;
92     }
93     return *x;
94 }
95
96 int test() {
97     int x;
98     return foo(&x, &x);
99 }
100 {% endhighlight %}
101 Calling `test()` triggers UB because the two accesses in `foo` must not alias.
102 Replacing `*y` by `*x` in `foo` changes the meaning of the program such that it no longer has UB.
103 So, again, even though `x` and `y` have the same address, they cannot be used interchangeably.
104
105 Pointers are definitely not integers.
106
107 ## A Simple Pointer Model
108
109 So, what *is* a pointer?
110 I don't know the full answer to this.
111 In fact, this is an open area of research.
112
113 Here's a simple proposal (in fact, this is the model used in my [RustBelt work]({{ site.baseurl }}{% post_url 2017-07-08-rustbelt %}), and it is also how [miri](https://github.com/solson/miri/) implements pointers):
114 A pointer is a pair of some kind of ID uniquely identifying the *allocation*, and an *offset* into the allocation.
115 Adding/subtracting an integer to/from a pointer just acts on the offset, and can thus never leave the allocation.
116 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]
117
118 [^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).
119
120 It turns out (and miri shows) that this model can get us very far.
121 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.
122 That's how miri can detect that our second example (with `&x[8]`) is UB.
123
124 In this model, pointers are not integers, but they are at least simple.
125 However, this simple model starts to fall apart once you consider pointer-integer casts.
126 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).
127 Multiplying that integer by 2 leads to an error, because it is entirely unclear what it means to multiply such a pair by 2.
128 A full definition of a language like C++ or Rust of course cannot take this shortcut, it has to explain what really happens here.
129 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).
130 This is why pointers are not simple, either.
131
132 ## From Pointers to Bytes
133
134 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.
135 However, this means that a simple operation like loading a byte from memory cannot just return a `u8`.
136 What if that byte is part of a pointer?  When a pointer is a pair of allocation and offset, what is its first byte?
137 We cannot represent this as a `u8`.
138 Instead, we will remember both the pointer, and which byte of the pointer we got.
139 If we were to implement our memory model in Rust, this might look as follows:
140 {% highlight rust %}
141 enum ByteV1 {
142   Bits(u8),
143   PtrFragment(Pointer, u8),
144 }
145 {% endhighlight %}
146 For example, a `PtrFragment(ptr, 0)` represents the first byte of `ptr`.
147 This way, we can "take apart" a pointer into the individual bytes that represent this pointer in memory, and assemble it back together.
148 On a 32bit architecture, the full value representing `ptr` consists of the following 4 bytes:
149 ```
150 [PtrFragment(ptr, 0), PtrFragment(ptr, 1), PtrFragment(ptr, 2), PtrFragment(ptr, 3)]
151 ```
152 Such a representation supports performing all byte-level "data moving" operations on pointers, like implementing `memcpy` by copying one byte at a time.
153 Arithmetic or bit-level operations are not fully supported; as already mentioned above, that requires a more sophisticated pointer representation.
154
155 ## Uninitialized Memory
156
157 However, we are not done yet with our definition of a "byte".
158 To fully describe program behavior, we need to take one more possibility into account: A byte in memory could be *uninitialized*.
159 The final definition for a byte (assuming we have a type `Pointer` for pointers) thus looks as follows:
160 {% highlight rust %}
161 enum Byte {
162   Bits(u8),
163   PtrFragment(Pointer, u8),
164   Uninit,
165 }
166 {% endhighlight %}
167
168 `Uninit` is the value we use for all bytes that have been allocated, but not yet written to.
169 Reading uninitialized memory is fine, but actually *doing* anything with those bytes (like, using them in integer arithmetic) is undefined behavior.
170
171 This is very similar to the rules LLVM has for its special value called `poison`.
172 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).
173
174 You may wonder why we have a special `Uninit` value at all.
175 Couldn't we just pick some arbitrary `b: u8` for each newly allocated byte, and then use `Bits(b)` as the initial value?
176 That would indeed also be an option.
177 However, first of all, pretty much all compilers have converged to having a sentinel value for uninitialized memory.
178 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.
179 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.
180
181 For example, the following C code becomes easier to optimize with `Uninit`:
182 {% highlight c %}
183 int test() {
184     int x;
185     if (condA()) x = 1;
186     // Lots of hard to analyze code that will definitely return when condA()
187     // does NOT hold, but will not change x.
188     use(x); // want to optimize x to 1.
189 }
190 {% endhighlight %}
191 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.
192 Without `Uninit`, however, `x` is either "some arbitrary bit pattern" or `1`, and doing the same optimization becomes much harder to justify.[^3]
193
194 [^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.
195
196 Finally, `Uninit` is also a better choice for interpreters like miri.
197 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.
198 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.
199
200 ## Conclusion
201
202 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]
203 With this, I think we are ready to look at a first draft of my "2018 memory model" (working title ;) -- in the next post. :)
204 <!-- If you have any questions, feel free to [ask in the forums]! -->
205
206 [^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.
207
208 #### Footnotes