对 A64 指令分配决策的详尽比较。
Silica 检查全部 4,294,967,296 个可能的 A64 指令字。 它比较 Capstone、LLVM、Unicorn 以及一张根据 Arm 的 XML 编码图编译而成的表是否接受每个指令字。
解码器和编码图并不回答完全相同的问题。 Capstone 和 LLVM 负责解码指令,Unicorn 尝试执行指令,而 Silica 的 XML 派生表则匹配 Arm 编码图中的固定位。比较它们是有用的,但 不匹配并不自动意味着解码器存在缺陷。
A64 指令宽度为 32 位,因此分配比较可以覆盖 整个输入空间。下面的有效性计数对于固定版本和配置而言是穷尽的。 指令文本分析则是采样的。
这些产物使用 ISA_A64_xml_A_profile-2026-06_mc 和 256 个分片,覆盖
全部 2³² 个指令字。
| XML 派生的分配结果 | 数量 | 占比 |
|---|---|---|
| 匹配某个范围内编码模式 | 1,799,435,776 | 41.9% |
| 不匹配任何范围内编码模式 | 2,495,531,520 | 58.1% |
在四个有效性位图中,有 723,801,678 个指令字至少存在一种不同的 分类。这占整个指令字空间的 16.9%。这是分歧计数, 而非已确认缺陷的计数。
与 XML 派生分配位图的成对一致率:
| 工具 | 一致率 |
|---|---|
| Capstone | 84.8% |
| LLVM | 87.6% |
| Unicorn | 88.3% |
这些百分比并不对解码器正确性进行排名。特别是,编译后的 XML 表不评估指令伪代码、特性可用性或 每个解码时约束。Unicorn 也是通过执行和陷入来作答, 而非通过反汇编。每个差异都需要进行指令族和 配置分析,才能支持上游缺陷报告。
Silica 从四个有效性检查均接受的 1,266,064,016 个指令字中
记录了 1,000,000 个指令字的确定性样本。输出并不
对称:Capstone 和 LLVM 返回完整的反汇编文本,XML 表
仅返回助记符,而 Unicorn 返回占位符 <valid>。
当前分类器报告:
| 分类 | 记录数 | 占比 |
|---|---|---|
| 归一化助记符相同,完整文本不同 | 862,648 | 86.3% |
| 归一化助记符不同 | 137,352 | 13.7% |
86.3% 这个值并非操作数错误率。在大多数记录中,是将完整 指令与仅含助记符的参考进行比较。当无法从渲染文本中证明 XML 别名条件时,别名处理也保持保守。这些记录是分析的线索, 而非关于解码器正确性的发现。
artifacts/reproducers 中的文件是从前五个符合条件的
分歧分片中选出的十条不同记录。选择优先考虑文本类别,并限制重复的
(category, spec mnemonic) 对。
当前全部十个文件都是将 Capstone 与 XML 派生的助记符进行比较。
它们证明这些记录存在于生成的语料库中,并且可以从一个指令字复现。它们尚未被独立裁定为十个 Capstone 缺陷,也不能作为 LLVM 与 Unicorn 对渲染指令达成一致的证据。其中三条被明确标记为 NORMALIZATION_UNCERTAIN。生成器和验证器分别是
g6_reproducers.py 和
verify/g6_reproducers.py。
该扫描会生成一个大型数据集。silica-scope 是它的终端读取器。它会打开一个 Silica 产物目录,显示指标 和 256 分片映射,筛选不一致记录,并查找单个指令字。 它还可以打开那十条示例记录及其声明的局限性。
使用 Python 3.11 或更高版本从 PyPI 安装:
pipx install silica-scope
然后从 Silica 检出目录运行它,或将其指向一个 artifact 目录:
silica-scope
silica-scope /path/to/silica/artifacts
silica-scope --report
silica-scope 是一个纯 Python 读取器。它不运行扫描,也不依赖原生解码库。有关键盘控制和产物发现,请参阅终端读取器指南。
flowchart LR
XML["Arm XML encoding diagrams"] --> SPEC["compiled allocation matcher"]
SPEC --> SWEEP["parallel 32-bit sweep"]
CAP["Capstone"] --> SWEEP
LLVM["LLVM"] --> SWEEP
UNI["Unicorn"] --> SWEEP
SWEEP --> MAP["validity bitmaps"]
MAP --> DIFF["exhaustive XOR comparison"]
DIFF --> CORPUS["classified disagreement corpus"]
CORPUS --> OUT["metrics · examples · result hash"]
高吞吐路径用 Rust 编写,并在进程内调用每个解码器。它为每个 oracle 的每种编码存储一个比特,这使得穷举比较保持紧凑,并使分歧成为直接的位图操作。崩溃会被二分定位到确切的指令字。
Python 负责 XML 编译、规范化、报告和验证。产物模式与采样规则记录在 docs/formats.md 中。每个主要数值的来源如下:
| 声明 | 产物 | 重新计算者 |
|---|---|---|
| XML 分配计数 | artifacts/g1_metrics.json | G1 |
| 穷举有效性差异 | 四个有效性位图 | G2 和 G5 |
| 样本类别计数 | artifacts/g4_metrics.json | G4 |
| 两两一致百分比 | artifacts/report/metrics.json | G5 |
| 十条选定的示例记录 | artifacts/reproducers/*.md | G6 |
| 已发布的产物摘要 | artifacts/result_hash.txt | G7 |
创建固定环境,并检查所需的本地输入是否可用:
micromamba create -y -p ./.venv -f environment.yml
micromamba run -p ./.venv silica doctor
Arm 的 XML 规范因其许可证原因未纳入仓库。silica doctor 会报告 Silica 期望在何处找到该规范,以及其他缺失的先决条件。
无需重新运行扫描即可检查已提交的产物:
silica-scope artifacts
make all 配方列出了全新运行所需的各个阶段,但它目前还不是一条开箱即用的复现命令。其 G4 交接环节仍需要将 reservoir JSON 转换为词表,并且有三个语料库总计值需要作为显式参数传入。Makefile 直接指出了这一缺口。在交接环节实现自动化、且总计值能够从生成的输出中自动流转之前,不应将一次全新的发布运行视为已复现。
silica verify 命令运行七个由仓库自身维护的校验关卡。它们分别检查 XML 编译元数据、分片覆盖情况、归一化证据、语料库结构、已发布的指标、示例记录以及产物哈希。称它们为“关卡”是有意为之:它们提供一致性检查,但并非独立实现,也不是对解码器缺陷的外部确认。
micromamba run -p ./.venv silica verify
G4 和 G5 会流式处理大型分歧语料库和有效性位图,因此这不是一次快速的文档检查。在发布或更改数值声明之前,请先运行它。对于普通的 README 编辑,请审阅所引用的 JSON 产物,并将完整验证器推迟到更改准备发布时再运行。
XML 匹配器在编译器的范围过滤器之后包含基础 A64 和高级 SIMD 编码模式。它排除了 SVE、SVE2、SME 以及 artifacts/g1_metrics.json 中列出的其他类别。A32/T32、RISC-V、汇编器往返、语义等价性和一般执行正确性不在本研究范围内。
最接近的灵感来源是 Sandsifter,它探索 x86 的可变长度指令空间。Silica 专注于有限的 A64 字空间,并发布后续逐族裁定所需的原始分类结果。
Apache 2.0 — 参见 LICENSE