HEC虚拟机的一些改进建议
陈硕 2004-02-13
在《虚拟机的设计与实现——C/C++》一书中，作者Bill Blunden描述了一个简单但完整的虚拟机——HEC的设计及实现。在阅读第三章的过程中，我发现有几处值得改进的地方。不是针对HEC的总体设计和代码结构——那样牵一发而动全局，而是针对HEC虚拟机实现代码中某些细节做些改进。
1. 转换字节序
HEC的字节序（byte order）是big-endian（高位在前），而宿主平台（Win32 on Intel）是little-endian（低位在前），所以在装入.RUN文件时需要转换字节序。作者先定义了HEC虚拟机的各种类型（p.61，原书p.67）：
#define U1 unsigned char
#define U2 unsigned short
#define U4 unsigned long
#define U8 unsigned __int64
然后定义了10个转换函数（p.62，原书p.68）。例如，U2 bytecodeToWord(U1 bytes[]) 的作用是将big-endian的16位无符号整数转换为本机格式：
U2 bytecodeToWord(U1 bytes[])
{
U2 word;
U1 *buffer;
buffer = (U1*)&word;
buffer[0] = bytes[1];
buffer[1] = bytes[0];
return(word);
}
这个函数没有考虑移植性（portability），它认定本机的字节序是little-endian。一种移植性较好的做法是：
U2 bytecodeToWord(U1 bytes[])
{
U2 word = (bytes[0] << 8) + bytes[1];
return word;
}
这样无论主机是little-endian或者big-endian都能正确运作。在执行左移运算（<<）之前，C语言会自动把bytes[0]从unsigned char类型提升（promote）为int类型，所以不用担心数值“移掉了”。
另一种好办法是利用sockets API中的ntohs()函数：
#include // or on unix-like OSes
U2 bytecodeToWord(U1 bytes[])
{
return ntohs(*(U2*)bytes);
}
对U4 bytecodeToDWord(U1 bytes[]) 也可照此办理：
U4 bytecodeToDWord(U1 bytes[])
{
U4 dword = (bytes[0] << 24) + (bytes[1] << 16)
+ (bytes[2] << 8) + bytes[3];
return dword;
}
// or using ntohl()
U4 bytecodeToDWord(U1 bytes[])
{
return ntohl(*(U4*)bytes);
}
采用同样的思路，本机数据转换为big-endian的函数可改写为（以dwordToBytecode()为例）：
void dwordToBytecode(U4 dword, U1 arr[])
{
arr[0] = dword >> 24;
arr[1] = (dword >> 16) & 0xFF;
arr[2] = (dword >> 8) & 0xFF;
arr[3] = dword & 0xFF;
}
// or using htonl()
void dwordToBytecode(U4 dword, U1 arr[])
{
*(U4*)arr = htonl(dword);
}
在Intel处理器上，转换16位整数的字节序只需一条语句（假设数据已读取寄存器ax）：
xchg al, ah
改变32位整数的字节序也只需三条语句（假设数据已读取寄存器eax）：
xchg al, ah
ror eax, 16
xchg al, ah
GCC编译器在使用-O2优化开关时，就会将ntohl()函数和htonl()函数编译为上面的形式。
2. 验证字节码
在验证阶段，HEC虚拟机将检查每条指令的格式是否正确，包括操作码、寄存器号、地址值的合法性和指令的完整性，并将转换操作数的字节序。这可以视为反汇编器（disassembler）。其基本结构是
while (current_byte < stop) {
U1 opcode = RAM[current_byte];
switch (opcode) {
case LBI: /* LBI $r1, byte_constant BBB */
...
case ADD: /* ADD $r1, $r2, $r3 BBBB*/
...
default: /* Bad opcode */
report the error
}
}
其中switch-case结构的代码有近550行，列了整整12页（p.104~p.106，原书p.109~p.119）。仔细观察可以发现，其中很多代码段是重复的，很难维护。由于指令的格式很有规律，所以我们可以复用代码，简化验证过程。我的想法是，将各条指令的格式存入数组char* I_fmt[]；验证字节码时，根据指令的操作码（opcode）取回格式字符串，再根据格式字符串验证指令的合法性。换句话说，这里设计了一种用于描述指令格式的小语言。基本结构为
char* I_fmt[256] =
{
// LBI, LWI, LDI, LQI
"ORB", "ORW", "ORD", "ORQ",
...
};
// in reformat()
while (current_byte < stop) {
U1 opcode = RAM[current_byte];
char* fmt = I_fmt[opcode];
char field;
if (fmt == NULL) { // invalid opcode
report the error and return
}
field = *fmt++;
while (field != '\0') {
switch (field) {
case 'O': // opcode
...
case 'R': // integer register
...
default :
FATAL_ERROR();
break;
}
field = *fmt++;
}
}
这样整个while循环只有80余行，不到原来的1/6，完整的代码可从我的个人主页下载（http://www.chenshuo.com）。这里’O’表示操作码、’R’表示整数寄存器、’F’表示浮点寄存器、’L’表示双精度浮点寄存器、’B’表示8位立即数、’W’表示16位立即数、’D’表示32位立即数、’Q’表示64位立即数、’A’表示64位地址（LAD指令）、’f’表示浮点立即数（32位）、’l’表示双精度浮点立即数（64位）、’V’表示中断向量（INT指令）等等。
3. 其他改进建议
作者声称HEC把各种整数都看作时有符号数(signed)，但是他写的SLT语句确进行无符号的大小比较（p.134，原书p.137）。也就是说HEC实际上没有比较有符号整数大小的语句，它把参与大小比较的整数都看作是无符号的（意味着0<-1），这与作者的设想正好相反。因此，我建议增加一条SLTU语句，用来比较无符号整数，而原有的SLT语言则改为比较有符号数。这样就二者兼顾了。
.完.
