内存访问对程序的正确、高效运行有着重要影响。在内存访问的过程中,可能会产生多种类型的故障,轻则影响程序的运行效率,重则会产生安全性隐患,甚至导致程序无法正常运行。大量研究工作对应用程序的访存进行了分析和优化,尝试去发现并解决访存故障。然而现有的工作在进行访存分析时往往会引入巨大的运行时开销,同时在访存优化方面也没有充分地结合一些应用的典型特征对其内存布局进行深度优化。本文在前人工作的基础上,进一步研究了内存分析与优化这一重要课题,通过结合编译技术,大大降低了内存分析的运行时开销,同时通过深入研究张量程序的特征和内存布局为其访存优化提供了新的思路。本文的研究工作将有助于研究者和开发人员更好地理解程序的内存行为,定位程序中潜在的内存故障,并提高程序的性能,同时对系统与硬件的设计提供指导。本文的主要贡献如下:1.提出了利用动静态结合的方法进行内存轨迹采集的技术LOOPCRAFT。通过在编译期识别程序中的结构化信息,LOOPCRAFT可以生成完整的且高度压缩的内存轨迹,显著减少时间和空间开销。实验表明,LOOPCRAFT可以将运行时开销减少至多199倍,空间开销减少至多1111倍。2.提出了通用的高效访存分析框架SPINDLE。不同于之前的工作在运行时执行所有检查,或在编译期进行针对特定任务的分析,SPINDLE可以在编译期进行通用的访存分析,并将其抽象为内存访问骨架,提供相关的分析与插桩接口,使用户可以方便地基于该框架开发不同的高效内存访问分析工具。实验表明,基于该通用分析框架可以支持典型的访存分析任务,包括内存轨迹采集和在线内存错误检测,并可以显著减少运行时开销。3.针对张量程序提出了基于内存重排和程序突变的编译优化技术PET。该技术对张量的内存布局进行了更深入的探索,发现了新的内存重排机会,并基于此引入了局部等价优化。同时,该技术利用程序突变对更大的优化空间进行了探索,并利用线性代数的相关等价性理论实现了一个高效的局部等价验证器,可以快速找出局部等价优化后的不等价位置,并对其进行修正。实验表明,该工作在常用的深度学习模型和算子上可以达到最多2.5倍的性能提升。