針對(duì)數(shù)據(jù)競(jìng)爭(zhēng)檢測(cè)過程中的誤報(bào)和漏報(bào)問題提出一種靜態(tài)數(shù)據(jù)競(jìng)爭(zhēng)檢測(cè)方法。首先，使用控制流分析自動(dòng)構(gòu)造線程內(nèi)和線程間函數(shù)調(diào)用圖;然后，收集線程內(nèi)變量訪問事件信息，定義競(jìng)爭(zhēng)產(chǎn)生條件并分析檢測(cè)出所有可能的競(jìng)爭(zhēng);其次，為了提高檢測(cè)的準(zhǔn)確率，進(jìn)行別名變量和別名鎖的分析降低漏報(bào)和誤報(bào);最后，通過控制流分析來抽象訪問事件之間的時(shí)序關(guān)系，并結(jié)合程序切片技術(shù)對(duì)訪問事件的發(fā)生序關(guān)系進(jìn)行判斷，以此避免因忽略線程交互帶來的誤報(bào)。依據(jù)該方法，使用Java語(yǔ)言在Soot軟件分析框架下實(shí)現(xiàn)了一個(gè)數(shù)據(jù)競(jìng)爭(zhēng)檢測(cè)工具。在實(shí)驗(yàn)中，對(duì)JGF和IBMContest基準(zhǔn)測(cè)試套件中的raytracer和airline等程序進(jìn)行數(shù)據(jù)競(jìng)爭(zhēng)檢測(cè)，并與目前已有的數(shù)據(jù)競(jìng)爭(zhēng)檢測(cè)算法和工具（HB算法和RVPredict）進(jìn)行對(duì)比。實(shí)驗(yàn)結(jié)果表明，與HB算法和RVPredict工具相比，該方法檢測(cè)到的數(shù)據(jù)競(jìng)爭(zhēng)總，數(shù)分別增加了81%和16%，數(shù)據(jù)競(jìng)爭(zhēng)檢測(cè)的準(zhǔn)確率分別提升了約14%和19%，有效地避免了數(shù)據(jù)競(jìng)爭(zhēng)檢測(cè)中的漏報(bào)和誤報(bào)現(xiàn)象。