1.V8 编译浅谈
2.[Dev] Xcode的源码记录
3.Hikari源码分析 - AntiDebug
4.CALL 、libc++、源码libc
5.OpenAI/Triton MLIR 第零章: 源码编译
V8 编译浅谈
V8 编译原理详解 本文旨在介绍 JavaScript 在 V8 编译器中的源码解析过程，帮助读者理解 JavaScript 如何在 V8 中高效运行。源码V8 作为 Chrome 浏览器和 Node.js 的源码核心引擎，采用了混合动态编译技术，源码惠喵优选源码通过编译器组件如Ignition和TurboFan来提升性能。源码编译器与解释器
首先，源码区分解释器和编译器：解释器如Perl直接执行源代码，源码而编译器如Java，源码先将源码转化为机器可执行的源码中间表示（IR），通过多轮迭代优化。源码编译器的源码关键组件包括IR，用于优化源码并生成高效目标代码。源码JIT编译与混合动态编译
早期，源码Web前端对启动速度有高要求，因此采用解释器。为提高运行时性能，V8 引入JIT编译技术，结合混合编译，实时优化代码。这种编译框架解决了JavaScript性能问题，让代码运行更快。V8 编译原理详解
1. Ignition解释器：将抽象语法树（AST）转化为字节码，并利用类型反馈优化热点代码，生成Feedback Vector，指示优化方向。易语言ffmpeg源码 2. TurboFan优化编译器：利用JIT技术，根据运行时信息生成优化后的机器代码，通过反馈向量进行动态编译优化和去优化。运行时表现
通过D8调试工具，可以查看代码的编译和运行信息，如AST、字节码、优化和去优化过程。通过分析，加深对V8编译过程的理解。 通过实战操作，如生成AST、字节码和检查运行时反馈，可以直观地体验V8的编译与优化策略。 要深入探究，可以尝试使用D8工具和V8的Native API，如%DebugPrint，探索更多细节。[Dev] Xcode的记录
构建过程可以分为预处理(preprocess) -- 编译(build) -- 汇编(assemble) -- 连接(link)这几个大的过程。
LLVM(Low Level Virtual Machine)是强大的编译器开发工具套件，其核心思想是通过生成中间代码IR，分离前后端（前端编译器，后端目标机器码）。这样做的好处是，前端新增编译器，不用再单独去适配目标机器码，织梦源码 跟只需要生成中间代码，LLVM就可以生成对应的目标机器码。下面就是LLVM的架构。
预处理：头文件引入、宏替换、注释处理、条件编译等操作；
词法分析：读入源文件字符流，组成有意义的词素（lexeme）序列，生成词法单元（token）输出；
语法分析：Token流解析成一颗抽象语法树(AST)；
CodeGen：遍历语法树，生成LLVM IR代码，这是前端的输出文件；
汇编：LLVM对IR进行优化，针对不同架构生成不同目标代码，以汇编代码格式输出；
汇编器生成.o文件：将汇编代码转换为机器代码，输出目标文件（object file）；
连接器：将目标文件和(.dylib、.a、.tbd、.framework)进行连接，生成可执行mach-o文件。
dwarf：debugging with attribute record formats，一种源码调试信息的记录格式，用于源码级调试；
dSym：debug Symboles，调试符号，即符号表文件。符号对应着类、函数、变量等，借贷系统源码程序是内存与符号如函数名、文件名、行号等的映射，崩溃日志解析非常重要。可以用dwarfdump 命令来查看dwarf调试信息。
DW_AT_low_pc表示函数的起始地址 DW_AT_high_pc表示函数的结束地址 DW_AT_frame_base表示函数的栈帧基址 DW_AT_object_pointer表示对象指针地址 DW_AT_name表示函数的名字 DW_AT_decl_file表示函数所在的文件 DW_AT_decl_line表示函数所在的文件中的行数 DW_AT_prototyped为一个 Bool 值, 为 true 时代表这是一个子程序/函数(subroutine) DW_AT_type表示函数的返回值类型 DW_AT_artificial为一个Bool值，为true时代表这是一个由编译器生成而不是源程序显式声明
使用symbolicatecrash命令行
使用dwarfdump和atos工具
xcode-project-file-format这里对xcodeproj文件格式进行了说明。
xcodeproj文件包含以下元素
总体说明
结合上面的说明，对project.phxproj文件结构进行说明
项目中setting有2处，project和target中都有，那么他们之间的关系是怎样的？
在Xcode中添加代码块步骤
1、选择代码，右键选择 create code snippet，或者在顶部导航，选择Editor-create code snippet；
2、编辑信息和代码即可，其中completion表示输入的快捷方式；
3、需要修改的参数用形式添加 ；
4、所在目录~/Library/Developer/Xcode/UserData/CodeSnippets 。
还需要注意xcshareddata目录下
参考
Xcode build过程中都做了什么 Xcode编译疾如风-3.浅谈 dwarf 和 dSYM iOS崩溃日志解析&原理 - 掘金 LLVM编译流程 & Clang插件开发 8. Xcode 工程文件解析 - 掘金 XCode工程文件结构及Xcodeproj框架的使用( 二 ) XCode: Target Settings和Project Settings的区别 Xcode-项目重命名
Hikari源码分析 - AntiDebug
一、框架分析 针对PASS的具体实现进行深入分析。该PASS旨在提升编译后程序的抵抗调试能力，其核心逻辑包括两个主要方面： 链接预编译的反调试IR代码 特定于平台的内联汇编注入 针对Darwin操作系统上的AArch架构，若未找到ADBCallBack和InitADB函数，PASS会尝试直接注入内联汇编代码。该代码片段可能利用系统调用，模拟走砍源码如ptrace，来检测是否处于调试环境。 此外，配置允许用户指定预编译反调试IR文件的路径和函数混淆概率。 具体实现包括： 检查预编译IR路径，构建默认路径并链接预编译的IR文件。 修改ADBCallBack和InitADB函数属性，确保它们在编译和链接阶段表现出反调试行为。 初始化标志和目标三元组信息，准备为每个模块提供初始化和链接预编译IR的过程。 模块处理和函数处理涉及应用概率值来决定是否对模块和函数应用反调试混淆。 预编译的反调试IR文件包含了一系列用于反调试的函数和结构，如检测调试器的代码、修改执行路径以规避调试跟踪、以及插桩代码以检测异常行为。 通过LLVM工具链中的llvm-dis工具，可以将.bc文件转换为可读的LLVM IR文件。该文件结构包含多个结构体定义、全局声明、函数实现和属性。 函数ADBCallBack简单地终止程序并执行无法到达的指令。函数InitADB执行系统调用和检查来检测调试状态，可能涉及进程信息查询、动态库加载、系统调用、内存分配、异常端口检查等操作。 系统调用声明确保了程序能调用各种底层函数进行操作，如sysctl、dlopen、dlsym、task_get_exception_ports、isatty、ioctl等。 总结，通过在编译器优化阶段插入反调试逻辑，相较于源代码实现，基于LLVM Pass的AntiDebug方法提供了更好的隐蔽性、可移植性、灵活性、维护性和混淆程度。然而，这种方法需要对LLVM框架有深入理解，可能增加构建和调试复杂度。CALL 、libc++、libc
CALL 是 **(Compiler/Assembler/Linker/Loader)**的简称。如果你和 C/C++ 打过交道，这几个词应该不会陌生。
Levels of Representation/Interpretation
抛开正确性，我们可以尝试填空（Python / C++、Go）并且知道：
但是同时，Python 也能通过一些方式打包成 exe （虽然很巨大），同时 LLVM 这些层次的引入让我们的理解模糊了起来。所以我们要明确一下这个 Level。
这个问题实际上是很含糊不清的，第三点里面 JIT 等的引入更让事情扑朔迷离了起来。具体其实可以参考这个链接里的说法： /question/。
一般被称为“解释型语言”的是主流实现为解释器的语言，但并不是说它就无法编译。例如说经常被认为是“解释型语言”的 Scheme就有好几种编译器实现，其中率先支持 R6RS规范的大部分内容的是 Ikarus，支持在x上编译Scheme；它最终不是生成某种虚拟机的字节码，而是直接生成x机器码。
实际上解释器的性能劣势也不一定是一种坏事，像我去年去 PyCon 听的“慢解释是一种优势”，虽然有点破罐子破摔的味道，但是如果你在 C/C++ 下开 asan/valgrind 或者带gcc -g, 和 Go 这种带 Runtime 的、V8这些可以提供的debug比较，难免会有羡慕的想法。
Interpreter provides instruction set independence: run on any machine
就是这样。
CALL chain
这是一张水图。可能还要处理一下预处理之类的过程，但是大概流程是这样没错。
Compile
Compile 的过程大概是
不过看上面转的那篇文章，似乎形式有变，这方面我不是很了解。Lexer/Parser 的部分可以参考我之前的 Lex/Yacc 入门。总之，我们现在把源代码编译后可以转化为一种对应的 IR, 即nmsl.c -> nmsl.S.
Assembler
Assembler 接下来会nmsl.s -> nmsl.o.
顺便给出这个 part 一个很有意思的 slide:
ELF
这个我觉得还是 csapp 写得好...总之生成的目标文件会满足这样的形式。
Linker
Combines several object (.o) files into a single executable (“linking”)
这段我感觉 CSAPP 讲的稍微详细一些。
在应用层面上，这里其实还涉及（不一定是这里引入的）name mangling，calling convention这种 C/C++ 相关的问题，所以可能extern "C" 在这种情况下就相对很好理解了。
Loader
When one is run, loader’s job is to load it into memory and start it running In reality, loader is the operating system (OS)
这里可以参考 CSAPP 里面链接的时机相关的概念。
libc/libc++
qsort 是一个 下的函数，如果你去 libc++ 找的话，会发现事情好像不太对：
github.com/llvm-mirror/...
这里只有using 和函数声明，没有对应的实现。
实际上 C++ 的标准库（以 libc++） 为例，可能会根据模版生成需要的函数/类。所以我们可以看到对应的一些源代码。
C语言的库函数实际上通常以链接库的形式在 libc 中提供，链接的时候我们找到： stackoverflow.com/quest...
OpenAI/Triton MLIR 第零章: 源码编译
本文旨在深入探讨开源AI项目OpenAI Triton MLIR，着重介绍Triton作为编程语言与编译器在GPU加速计算领域的应用与优化。Triton为用户提供了一种全新的方式，通过将其后端接入LLVM IR，利用NVPTX生成GPU代码，进而提升计算效率。相较于传统CUDA编程，Triton无需依赖NVIDIA的nvcc编译器，直接生成可运行的机器代码，体现出其在深度学习与数据科学领域的高性能计算潜力。Triton不仅支持NVIDIA GPU，还计划扩展至AMD与Intel GPU，其设计基于MLIR框架，通过Dialect支持多样化后端。本文将从源码编译角度出发，逐步解析Triton的设计理念与优化策略，为研究编译技术和系统优化的工程师提供宝贵资源。
首先，需要访问Triton的官方网站，克隆其官方代码库，以便后续操作。构建过程涉及两个重要依赖：LLVM与pybind。LLVM作为Triton的核心后端，通过将高级Python代码逐步转换至LLVM IR，最终生成GPU可运行代码，体现了其在计算优化领域的优势。pybind组件则用于封装C++/CUDA或汇编代码，实现Python DSL与高性能组件的无缝集成。
接下来，将LLVM与pybind分别编译安装，通过手动配置指定路径，确保编译过程顺利进行。LLVM的安装对于基于Triton进行二次开发的工程师和研究人员至关重要，因为它为Triton提供了强大的计算基础。在特定的commit ID下编译Triton，确保与后续版本兼容。
在编译过程中，配置pybind同样至关重要，它允许用户通过Python API调用高性能组件，实现自动化生成高性能算子。完成编译后，生成的.so文件（libtriton.so）为后续Triton的Python接口提供了支持。
将libtriton.so移动至triton/python/triton/_C目录下，确保Python路径正确配置，实现无缝导入与调用。通过简单的import triton命令，即可开启Triton的开发之旅。验证Triton性能，可以选择tutorials目录下的示例代码，如-matrix-multiplication.py，通过运行该脚本，观察Triton在GPU上的性能表现。
Triton在NVGPU上的成熟映射路线，从抽象的Python DSL到贴近GPU层面的IR，最终生成高效机器代码，体现了其在高性能计算领域的优越性。Triton未来的发展蓝图将支持更多前端语言，对接不同硬件厂商的硬件，实现高效映射，满足多样化计算需求。
