汇编语言中的数据

在汇编语言中，程序都是由指令流构成的，而指令一般是由操作符和操作数组成的，操作符是CPU用来完成某项功能的操作，而操作数是操作符所处理加工的对象。比如：add eax, 42，add是执行一个加法运算的操作符，是把eax中的值和常数42相加，并保存到eax中，而指令中的操作数，如常数42和存放在eax寄存器中的数值。

在高级语言中，数据本身带有类型信息，比如C语言中，6是一个整型(int)的值，'6’是字符型(char)的值，而"6"就是字符串类型的值，再比如变量：int a，那么在内存地址“&a”中存放的数据是有符号int整型数据。而在汇编语言中，如果脱离开指令上下文环境单独看待它们，它们仅仅是一个二进制的数据，并没有具体的意义，也就是它们没有类型信息，一个数据只有出现在指令中，作为操作数进行操作时才知道它所表示的意义，同一个数据用在不同形式的指令中，可能表示不同的类型。

注，本文以x86-64处理器的汇编语言说明，汇编指令的格式是Intel风格，下面内容均为个人观点。

1、如何表述数据？

既然在汇编语言中，数据自身没有类型信息，那么，如何来表述它们呢？描述数据有三个要素：位置、长度和内容。

位置，就是表示数据存放在哪儿，以及怎么才能找到它？数据只能存放在三个地方：指令中、寄存器中和内存中。

长度，就是数据它占有多大的存放空间。比如数据可以占用1字节、2字节、4字节、8字节、16字节等2的次幂大小的空间，如果是存放在内存中，也可以是3字节、5字节、6字节、乃至n字节大小的空间，比如表示串操作的数组、字符串等数据。

内容，就是指它所表示的是什么。同一个数据可能表示一个字符、整型数、浮点数、地址等，取决于数据用作什么指令的操作数，也就是数据表示什么是根据所处的上下文环境决定的，所表示的是什么和操作它的指令息息相关。

显然，长度和内容对应了高级语言中的类型，比如在C/C++中声明short data，则表示data长度占用2个字节，表示的是范围在-37768~37767之间的整型数，data的位置取决于定义的场合：可以在栈中、堆中，数据区、常量区等。在汇编语言中，如果数据存放在内存中的话，比如[rax]，寄存器rax中存放64位的地址，rax可以对应高级语言的void*指针，只是一个位置地址，如果没有相关的前缀信息比如dword ptr，是不知道所指向的数据的长度，也不知道表示的是什么。

下面分别看一下它们在汇编语言中是如何表示的。

2、数据位置-放在什么地方？

在汇编语言中，数据就存在于三个地方：

1、位于指令中
是一个常量，也叫立即数，一般会被编码到指令中，成为指令的一部分。 它只能用作指令的源操作数，比如指令mov eax, 42，源数据42位于指令中。

下面是这条指令编译完之后的二进制指令流，就是这条mov指令汇编完之后的二进制数据b82a000000，在执行时，CPU要把这个二进制指令流放在执行引擎中执行，在译码时就能从中得到数据42。

我们知道，十进制数字42对应的16进制是0x2a，而b8表示把4字节的二进制数据存入寄存器eax，指令的其余部分2a000000就是数字42，是个4字节长度的数据。

立即数一般来源自高级程序中的const int、constexpr int、整数字面量等，但高级程序中的常量也不一定都会当作立即数位于指令中，有时候也会位于只读数据区，存放于内存中。

2、位于寄存器中
数据存放在通用寄存器中，它可以用作源操作数和目的操作数。比如:

add eax, edx

加法操作add有两个操作数，数据分别存放在寄存器eax和edx中，CPU在执行时，执行引擎会从这两个寄存器中得到数据。

3、位于内存中
指定的是数据在内存中的位置，可以用作源操作数或目的操作数，但不能同时用作源和目的操作数。所在内存位置最常见的表示形式是：[64位寄存器±偏移量]，比如[rax+4]，寄存器rax的值表示一个内存地址，假设是0x8000000000，把它加上4之后，也就是在0x80000000004内存位置。

3、数据长度-占多大的地方？

数据的长度信息表示，和它存放在哪儿有关，在不同的地方有不同的长度表示方式。

1、立即数
长度取决于字面形式源操作数和目的操作数的长度，一般都是1、2、4、8字节的长度。例如，对于0x42这个立即数，如果目的数是单字节长度，它在指令中是单字节长度，如果目的数是2字节长度，它在指令中的长度是2字节，如果目的数是4、8字节长度，它在指令中的长度是4字节；对于0x4200这个立即数，如果目的数是2字节长度，它在指令中的长度是2字节，如果目的数是4、8字节长度，它在指令中的长度是4字节；对于0x4200000000这个立即数，在指令中只能是8字节长度。

2、寄存器
长度取决于寄存器的大小，就以累加寄存器ax、eax、rax系列以及SIMD寄存器为例：

寄存器 1	字节	bit	长度可能对应的C/C++类型
al	1	8	char、unit8_t、int8_t
ax	2	16	short、uint_16、int_16
eax	4	32	int、uint32_t、int32_t、float
rax	8	64	long long、uint64_t, int64_t、double
rdx:rax组合	16	128	struct {int64_t, int64_t}、int64_t[2]、double[2]
ymm	16	128	int8_t[16]、int16_t[8]、int32_t[4]、int64_t[2]、float[4]、double[2]
ymm	32	256	int8_t[32]、int16_t[16]、int32_t[8]、int64_t[4]、float[8]、double[4]
zmm	64	512	int8_t[64]、int16_t[32]、int32_t[16]、int64_t[8]、float[16]、double[8]

即，如果一个数据存放在寄存器eax中，它的长度就是4字节32bit，显然可能是来自高级语言的int、uint32_t、int32_t、float、struct{short, short}, char[4]等类型的数据。

3、内存数据
内存可以存放更多的数据，而且存放数据的地方也没有额外的信息来表示它的长度，在指令中需要专门的标识符来表示长度，在不同风格形式的汇编语言中有不同的表示形式。

在Intel风格的汇编语言中，数据的长度信息需要专门指定前缀，如：单字节长度的内存数据使用byte ptr前缀来指示，4字节长度的内存数据使用dword ptr前缀来表示，例如 mov eax，dword ptr [rax]，表示把寄存器rax中的值作为地址，从内存中读取4字节的数据放到寄存器eax中，即数据是[rax]指向的内存位置处连续4字节的长度。

而ATT风格的汇编语言中，长度信息是由操作符使用后缀来指示的，比如：movl (%rax), %eax，使用movl操作符来表示寄存器rax指向的内存位置的4字节数据，把它存入寄存器eax。其它的比如movb、movw、movq等用于不同长度的数据，b、w、l、q后缀分别表示1字节、2字节、4字节和8字节的内存数据的长度。

下面列举各种数据的长度的前缀，以及对应C/C++的类型：

前缀	字节	bit	长度可能对应的C/C++类型
byte ptr	1	8	char、unit8_t、int8_t
word ptr	2	16	short、uint_16、int_16
dword ptr	4	32	int、uint32_t、int32_t、float
qword ptr	8	64	long long、uint64_t, int64_t、double
xmm ptr	16	128	int8_t[16]、int16_t[8]、int32_t[4]、int64_t[2]、float[4]、double[2]
ymm ptr	32	256	int8_t[32]、int16_t[16]、int32_t[8]、int64_t[4]、float[8]、double[4]
zmm ptr	64	512	int8_t[64]、int16_t[32]、int32_t[16]、int64_t[8]、float[16]、double[8]

此外，汇编中还有串操作（对应于C/C++语言中的数组类型），这些数据全部存放在内存中，串操作数据的长度，需要由专门的寄存器存放，存放在寄存器cx/ecx中。

4、数据内容- 存放的是什么？

数据所表示的类型，取决于用做什么指令的操作数。指令运算时的它眼中的操作数可以是整型、浮点型、指针、位域、BCD整型、串型（string）和组合类型。

比如，以下面的指令形式为例：
#操作符# eax, dword ptr [rbp-24];
源操作数： dword ptr [rbp-24];
位置：rbp-24指向的内存位置
长度：dword，双字，即4字节长度
类型：取决于操作符的类型，如果是传输型，如mov，不确定，如果是算术运算符，则是整型，如果是逻辑运算型，则是无符号整型
目的操作数：eax
位置：寄存器eax
长度：eax位长是32位，即4字节长度
类型：取决于操作符的类型

下面举一个例子：
假设源数据是qword ptr [rsp]，此形式能确定数据的两个要素，位置：rsp指向的内存地址，长度：8字节。下面是它可能出现的场景及类型，假设long、double是64位长度：

MOV rax, qword ptr [rsp]
什么类型都可能，取决于后续以rax为操作数的操作

ADD rax, qword ptr [rsp]
因为ADD操作符用于整型加法运算，因此类型可能是long或unsigned long

MUL rax, qword ptr [rsp]
因为MUL操作符用于无符号整型乘法运算，因此类型明确是unsigned long

IMUL rax, qword ptr [rsp]
因为MUL操作符用于无符号整型乘法运算，因此类型明确是signed long型

MOVSS xmm3, qword ptr [rsp] ;是float类型

MOVSD xmm3, qword ptr [rsp] ;是double类型

MOV rax, qword ptr [rsp]
什么类型都可能，取决于后续以rax为操作数的操作
MOVD xmm0, qword ptr[rax]
后续操作MOVD：qword ptr[rax]，rax用作地址，它是指向一个8字节的数据的指针，仍不知指向什么类型。
MOVSD xmm3, xmm0
此时确定是double类型，即rsp是一个二维指针，即对应C/C++的double **ptr类型;

paddw mm1, qword ptr [rsp]; 指向组合整数，等同于C的short[4]数组
paddb mm1, qword ptr [rsp]; 指向组合整数，等同于C的char[8]数组
jmp qword ptr [rsp] ; 是地址，可能是指针，包括函数指针类型
jcc qword ptr [rsp] ; 是地址，可能是指针，包括函数指针类型
call qword ptr [rsp] ; 是函数指针

可见，同一个数据在不同形式的指令中，可能表示不同的类型，比如，假设rsp寄存器指向的内存处，长度8字节的内容是0x8123456781234567。比如，在下面的指令中，它会表示不同的类型：
MUL rax, qword ptr [rsp] ; 是uint64_t类型，值是9305357565928097127
IMUL rax, qword ptr [rsp] ; 是int64_t类型，值是-9141386507781454489
MOV rax, qword ptr [rsp] 和 MOV mm0, qword ptr[rax]; 是指针，指向0x8123456781234567内存位置
MOV mm0, qword ptr[rax] ; 是char数组，值是{0x81, 0x23, 0x45, 0x67, 0x81, 0x23, 0x45, 0x67}
MOVSD xmm0, qword ptr [rsp] ; 是double类型，值是-3.5127004713770933e-303，几乎是0.0。

5、如何访问数据

知道数据在哪儿，也知道长度，如何取获取数据呢？尤其是在内存中的数据。是由不同的寻址方式来获取数据，在x86-64处理器中共有下面几种方式：

1、立即数寻址
数据是立即数常数，存在于指令中。比如指令：mov eax, 42，它的指令二进制编码是：b82a000000，其中4字节长度的2a000000，就是立即数42。

C/C++的代码中，这些数据一般对应字面量或者const、constexpr修饰的常量数据。

2、寄存器寻址
数据在寄存器中，这种寻址方式性能很高，因为寄存器都在CPU执行单元内部，访问它们很快。

在C/C++代码中，函数传递参数、返回结果、循环变量、使用register修饰的变量等都是存放在寄存器中，此外，表达式运算产生的中间结果一般也放在寄存器中。

3、内存直接寻址
数据在内存中，直接使用地址的绝对值访问它们，如mov eax, dword ptr [0x7fff324ce00c]，从内存位置0x7fff324ce00c处读取4字节的数据。

在C/C++代码中，全局变量、静态变量、函数入口地址可能会用这种寻址方式，但是因为指令编码较长，可能会用下面的内存间接寻址方式，尤其是x86-64处理器的rip相对寻址方式。

4、内存间接寻址
这一类寻址方式最为丰富。

4.1、寄存器间接
形式：[寄存器]，如[rax]

在C/C++代码中，指针使用*操作符解引用、通过this指针访问虚函数表地址时，都是这种形式的寻址。

4.2、基址+偏移量
形式：[寄存器±立即数偏移量]，如[rbp-16]

也可以把寄存器间接寻址看作是这种寻址方式当偏移量为0时的特例，如[rax]即为[rax+0]
在C/C++中，访问局部变量、数组元素或者结构成员时常见这种寻址方式，常用于基址的寄存器多是rax、rbx、rbp、rsp，使用它们指令编码较短，在C++中，如果出现rdi作为基址寄存器，很可能是通过this指针在访问对象的数据成员。其中寄存器rbp用作访问函数栈帧的基址、rsp用作栈顶基址，差不多是所有编译器的标准用法了。

4.3、基址+变址
形式：[基址寄存器±变址寄存器] ，如[rbx+rsi]

用作基址寄存器常见有rbx、rbp，变址寄存器常见有rsi、rdi，当然所有寄存器都可以用作它们。

在C/C++中，使用下标变量来访问char、uint8_t等单字节数据组成的数组时，就是这种寻址方式，其中数组起始位置是基址寄存器，而下标是变址寄存器。

4.4、基址+变址因子
形式：[基址寄存器±变址寄存器立即数因子] ，立即数因子只能是2的次幂，如[rbx+rsi*4]

在C/C++中，使用下标变量来访问short、int、float等多字节数据组成的数组时，就是这种寻址方式，其中数组起始位置是基址寄存器，而下标是变址寄存器，立即数因子就是数组元素的长度，比如对于数组：int ar[]，立即数因子就是sizeof(int)=4。

4.5、基址+变址因子+偏移量
形式：[基址寄存器±变址寄存器立即数因子±立即数偏移量] ，立即数因子只能是2的次幂，如[rbx+rsi*4]。

在C/C++中，使用下标变量来访问结构数组中某个结构中的数据成员，就是这种寻址方式，其中数组起始位置是基址寄存器，而下标是变址寄存器，因子就是结构的长度，偏移量是数据在结构中的偏移量。

4.6、基址+变址+偏移量
形式：[基址寄存器±变址寄存器±立即数偏移量] ，如[rbx+rsi+8]

在C/C++中，使用下标变量来访问结构数组中某个结构的数据成员，如果没有使用4.5的寻址方式（因为变址因子只能使用1、2、4、8等有限的几个值），就使用两条指令来寻址，先计算出变址*因子的值放在变址寄存器中，其中数组起始位置是基址寄存器，而下标位置就是变址寄存器，偏移量是数据在结构中的偏移量。

比如：

// size是16字节
struct pointer {int x;  // 偏移量0int64_t z; // 偏移量8
};long foo(pointer a[], int x) {return a[x].z;
}

可以这样寻址：

foo(pointer*, int):movsx   rsi, esisal     rsi, 4 ; 单独计算变址的值mov     rax, QWORD PTR [rsi+8+rdi]ret

也可以：

foo(pointer*, int):movsx   rsi, esiadd     rsi, rsi ; 翻倍，这样rsi*8就是rsi*16mov     eax, DWORD PTR [rdi+rsi*8+8]ret     0

4.7、rip间接寻址
形式：[rip±立即数偏移量]，比如[rip - 0x33538]

现代操作系统中，进程的内存布局模型都是flat平坦模式，即所有的代码和数据都不再分段管理，而是在同一个地址空间内统一编址，这样就使用指令指针寄存器rip来访问数据，在指令访问内存数据时，所执行的位置处（即RIP的值）加上和目标地址的距离——偏移量，就能访问到目标地址处的内存数据。在C、C++访问全局变量、static变量、动态加载的函数和全局变量时，都可以使用这种方式来寻址。

最后

虽然在前面我把数据分成了三部分进行说明，实际上它们三者是同时密切联系在一起的。在一条指令中，同时表示了这三部分的信息，比如下面的指令：

add   edx, DWORD PTR [rdi+4+rsi*8]

1、源数据位于内存中，是一个“基址+变址*因子+偏移量”的寻址方式，位置是经过基址寄存器rdi和变址寄存器rsi运算后的内存地址，数据长度是4字节（dword ptr指示），而地址数据存放在寄存器rdi中，它的长度是8字节，相当于rdi对应C/C++中的指针类型；

2、目的数据位于寄存器edx中，它的长度是4字节

3、指令操作符是add，是算数加法操作，因此源数据和目的数据都是整型数，但是有符号还是无符号数仍不知道。

差不多是类似于下面形式的C/C++代码结构：

struct strct {int x;int z;
};.....
strct ar[M];
int index;
int sum;
...
sum += ar[index].z;

其中ar是一个结构数组，rdi=&ar，rsi=index，edx=sum。