[論文レビュー] SAT-based Analysis of Large Real-world Feature Models is Easy

Liang Jia, Vijay Ganesh+2 more|arXiv (Cornell University)|Jun 17, 2015

Advanced Software Engineering Methodologies参考文献 24被引用数 7

ひとこと要約

この論文は、実世界の特徴モデルが巨大であるにもかかわらず、衝突駆動型節集合学習（CDCL）SATソルバーが効率的に分析できる理由を説明している。大部分の変数が制限なしであることが理由で、これは真または偽に割り当てられてもバックトラックを引き起こさないことを意味する。これにより、モデルサイズが増大してもバックトラック回数はほぼ一定のまま維持され、スケーラビリティが実現される。実世界のモデルに見られる高い多様性—多くの特徴がオプションである—が制限なし変数の多さを説明しており、簡略化手法によりモデルは小さな、容易に解けるコアにまで縮小される。

ABSTRACT

Modern conflict-driven clause-learning (CDCL) Boolean SAT solvers provide efficient automatic analysis of real-world feature models (FM) of systems ranging from cars to operating systems. It is well-known that solver-based analysis of real-world FMs scale very well even though SAT instances obtained from such FMs are large, and the corresponding analysis problems are known to be NP-complete. To better understand why SAT solvers are so effective, we systematically studied many syntactic and semantic characteristics of a representative set of large real-world FMs. We discovered that a key reason why large real-world FMs are easy-to-analyze is that the vast majority of the variables in these models are unrestricted, i.e., the models are satisfiable for both true and false assignments to such variables under the current partial assignment. Given this discovery and our understanding of CDCL SAT solvers, we show that solvers can easily find satisfying assignments for such models without too many backtracks relative to the model size, explaining why solvers scale so well. Further analysis showed that the presence of unrestricted variables in these real-world models can be attributed to their high-degree of variability. Additionally, we experimented with a series of well-known non-backtracking simplifications that are particularly effective in solving FMs. The remaining variables/clauses after simplifications, called the core, are so few that they are easily solved even with backtracking, further strengthening our conclusions.

研究の動機と目的

• NP完全性にもかかわらず、CDCL SATソルバーが巨大な実世界の特徴モデルにおいてなぜこれほど効果的にスケーリングできるのかを理解すること。
• 実世界の特徴モデルの構造的および意味的特性がソルバー効率にどのように寄与しているかを調査すること。
• 従来のハードネス指標（例：木幅）が、実世界のモデルにおける解析の容易さを説明できるかどうかを検証すること。
• ソルバーのヒューリスティクスおよび簡略化手法が特徴モデルのSATソルビングパフォーマンスに与える影響を評価すること。

提案手法

• オープンソースプロジェクトから得た代表的な大規模実世界特徴モデルの文法的および意味的特性を体系的に分析した。
• 「制限なし変数」という用語を定義し、部分的割り当て下でバックトラックを引き起こさない変数として測定した。
• ソルバーのヒューリスティクスを無効化（BCPおよびバックジャンピングを除く）することで、制限なし変数の役割を隔離して評価した。
• 多項式時間かつバックトラックを伴わない簡略化（例：ユニットプロパゲーション、包含関係の削除）を適用し、事前処理段階でモデルサイズを縮小した。
• 簡略化後の残存する「コア」のサイズを測定し、バックトラックソルバーによる解法可能性を評価した。
• モデルのインシデントグラフの木幅とソルビングパフォーマンスを比較し、ハードネスの予測能力を評価した。

実験結果

リサーチクエスチョン

• RQ1 NP完全性にもかかわらず、CDCL SATソルバーが巨大な実世界の特徴モデルにおいてなぜこれほどうまくスケーリングできるのか？
• RQ2 実世界の特徴モデルのどの構造的または意味的特性が、このような効率的なSATソルビングを可能にしているのか？
• RQ3 実世界の特徴モデルから導出されたSATインスタンスにおいて、木幅はハードネスの信頼できる予測子となるか？
• RQ4 ソルバーのヒューリスティクスは、特徴モデル解析におけるパフォーマンスにどの程度寄与しているのか？
• RQ5 バックトラックを伴わない簡略化手法は、実世界の特徴モデルインスタンスのサイズ縮小にどの程度効果的か？

主な発見

• 巨大な実世界の特徴モデルの90％以上が制限なし変数であり、CDCL SATソルバーにおいてバックトラックを引き起こさない。
• モデルサイズが増大してもバックトラック回数はほぼ一定のまま維持され、ソルバーのスケーラビリティを直接説明している。
• BCPおよびバックジャンピングを除くすべてのソルバーのヒューリスティクスを無効化してもパフォーマンスに劣化が見られず、制限なし変数の優位性が裏付けられた。
• バックトラックを伴わない簡略化により、大多数のモデルが自明に解けるコアにまで縮小され、多くの場合事前処理段階で完全に解かれた。
• 残存するコアは通常小さく、ほとんどがホーン節であるため、バックトラックソルバーによって容易に解ける。
• 木幅とソルビング時間の間に有意な相関は認められず、実世界の特徴モデルでは木幅が有効なハードネス指標ではないと考えられる。