[論文レビュー] CDCL-inspired Word-level Learning for Bit-vector Constraint Solving

Zakaria Chihani, François Bobot+1 more|arXiv (Cornell University)|Jun 28, 2017

Constraint Satisfaction and Optimization参考文献 14被引用数 5

ひとこと要約

本稿では、束縛のないビットベクタの分野において、CDCLの原則をビットレベルからワードレベルの推論へと拡張する、衝突駆動型のワードレベル学習メカニズムを提案する。ワードレベルの説明、分解能に基づく推論、およびビットベクタに特化した衝突分析を用いることで、構造情報を保持し、他の理論と統合可能な、最小限で理論的に妥当な学習制約を生成する。これにより、真のワードレベルSMTソルブィングの道が開かれる。

ABSTRACT

The theory of quantifier-free bit-vectors (QF_BV) is of paramount importance in software verification. The standard approach for satisfiability checking reduces the bit-vector problem to a Boolean problem, leveraging the powerful SAT solving techniques and their conflict-driven clause learning (CDCL) mechanisms. Yet, this bit-level approach loses the structure of the initial bit-vector problem. We propose a conflict-driven, word-level, combinable constraints learning for the theory of quantifier-free bit-vectors. This work paves the way to truly word-level decision procedures for bit-vectors, taking full advantage of word-level propagations recently designed in CP and SMT communities.

研究の動機と目的

• ビットベクタ問題をブール論理SATに還元するビットブレイキング手法に内在するスケーラビリティと構造的損失の問題に対処する。
• ビットベクタに対して、個々のビットに還元するのではなく、高レベルの構造的情報を保持するワードレベルでの衝突駆動型節学習（CDCL）を可能にする。
• 特定の変数の代入に依存しない学習メカニズムの開発。これに対して、NoGoodや代入依存型学習手法とは異なり、代入に依存しない。
• CPおよびSMTコミュニティから既存のワードレベルの伝播技術と互換性を持たせ、他の理論（例：算術）における学習と統合可能であることを保証する。
• 分解能に基づく、ビットベクタ制約の上での分解能に根ざした、健全で最小限かつアサーション型の学習メカニズムの構築。

提案手法

• 各制約がどのビットを固定しているかを追跡するためのビットマスクを用いて、ビットベクタの伝播におけるワードレベルの説明を導入する。
• ビットベクタ変数と制約を用いて分解能のルールをワードレベルに拡張し、個々のビットではなく、完全なワード全体に対する推論を可能にする。
• ビット単位の演算に基づく説明選択アルゴリズムを設計し、正しさを保ちつつ学習制約の数を最小限に抑える。
• 学習制約が元の問題から論理的に含意されることを保証し、かつ最小限かつアサーション型であることを確認し、健全性と完全性を維持する。
• 他の理論（例：算術）における分解能に基づく学習と統合できるように、組み合わせ可能な学習フレームワークを設計する。
• 衝突に関与する伝播器間の相互作用から制約を導出することで、学習を特定の代入に依存しないように分離する。

実験結果

リサーチクエスチョン

• RQ1 束縛のないビットベクタ理論において、衝突駆動型節学習をビットレベルからワードレベルの推論へと効果的に拡張することは可能か？
• RQ2 ビットレベルの代入ではなく、ワードレベルの伝播から導出された学習制約を、最小限かつ健全に保つにはどうすればよいか？
• RQ3 分解能に基づく推論が、ビットベクタにおける組み合わせ可能で理論的に適切な学習を可能にする役割は何か？
• RQ4 学習中に構造的情報を保持するために、ワードレベルの説明と衝突検出をどのように形式化すればよいか？
• RQ5 このワードレベル学習メカニズムは、複数の理論（例：算術）における学習と、マルチ理論SMT環境でどの程度組み合わせ可能か？

主な発見

• 提案手法は、元の制約から論理的に含意され、最小限かつアサーション型である学習制約を生成する。これにより、健全性と完全性が保証される。
• 学習メカニズムは特定の変数の代入に依存せず、NoGoodや代入依存型学習方式とは明確に区別される。
• 算術理論など他の理論における分解能に基づく学習と統合可能であり、マルチソートSMTソルブィングにおけるクロス理論学習を可能にする。
• 従来のCDCLヒューリスティクス（例：節の削除、変数順序付け（例：VSIDS）、説明記録技術）と完全に互換性がある。
• ビットベクタの構造をソルブィングプロセス全体で保持するため、真正のワードレベルの意思決定手順を実現する。これにより、ビットブレイキングに伴うスケーラビリティと表現力のトレードオフを回避できる。
• ドメインベースの説明と衝突検出をサポートする限り、CPスタイルのソルバーおよび自然ドメインSMTソルバーへの統合も可能であり、汎用性が高い。