[논문 리뷰] Combining k-Induction with Continuously-Refined Invariants

Dirk Beyer, Matthias Dangl외 1명|arXiv (Cornell University)|2015. 01. 31.

Software Testing and Debugging Techniques참고 문헌 30인용 수 9

한 줄 요약

이 논문은 k-인덕션과 점진적으로 개선되는 인variants를 결합하여 소프트웨어 검증에 대해 타당하고 효율적인 접근법을 제안한다. 인variants는 분석 과정에서 점진적으로 강화되며, 이는 증명 성공률을 향상시킨다. 이 방법은 기존의 k-인덕션 도구에 비해 검증 커버리지와 효율성에서 뛰어나며, 특히 필요한 루프 펼침 수(k-값)를 줄이는 데 성공한다. 이는 CPAchecker에 구현되어 공개된 결과를 제공한다.

ABSTRACT

Bounded model checking (BMC) is a well-known and successful technique for finding bugs in software. k-induction is an approach to extend BMC-based approaches from falsification to verification. Automatically generated auxiliary invariants can be used to strengthen the induction hypothesis. We improve this approach and further increase effectiveness and efficiency in the following way: we start with light-weight invariants and refine these invariants continuously during the analysis. We present and evaluate an implementation of our approach in the open-source verification-framework CPAchecker. Our experiments show that combining k-induction with continuously-refined invariants significantly increases effectiveness and efficiency, and outperforms all existing implementations of k-induction-based software verification in terms of successful verification results.

연구 동기 및 목표

• 복잡한 프로그램을 검증할 때 약한 또는 부족한 인variants로 인해 k-인덕션의 한계를 해결하기 위해.
• 분석 과정에서 동적으로 인variants를 개선하여 k-인덕션 기반 소프트웨어 검증의 효과성과 효율성을 향상시키기 위해.
• 일반적인 소프트웨어 검증에서 기존 k-인덕션 도구에 비해 타당하고 확장 가능하며 경쟁력 있는 대안을 제공하기 위해.
• 이 접근법을 실용적 구현과 평가를 위해 성숙한 검증 프레임워크(CPAchecker)에 통합하기 위해.

제안 방법

• 정밀도를 조정 가능한 프로그램 분석을 사용하여, 처음에는 약하지만 검증 과정에서 점차 강화되는 인variants를 생성한다.
• k-인덕션은 증가하는 k-값을 반복적으로 적용하며, 각 증명 시도는 현재 확보된 인variants 세트를 활용해 인도크션 가설을 강화한다.
• 인variants 생성은 k-인덕션과 병렬로 수행되어 단순한 프로그램에서는 조기에 성공할 수 있고, 복잡한 프로그램에는 더 깊이 있는 탐색이 가능해진다.
• 이 프레임워크는 타당하고 반복적인 심화 전략을 사용하며, 실패한 증명 시도 기반으로 인variants를 개선하여 이전 도구에서 사용된 비타당한 히وري스틱 기법을 피한다.
• 구현은 CPAchecker에 통합되어 SMT 솔버와 공식 검증 인프라를 활용한다.
• 비타당한 히وري스틱 기반의 의존성(예: 초기 상태 값 유지)을 피하여 잘못된 증명을 유도할 수 있는 요소를 제거함으로써 타당성을 확보한다.

실험 결과

연구 질문

• RQ1 지속적으로 개선되는 인variants는 k-인덕션의 소프트웨어 검증 성공률을 크게 향상시킬 수 있는가?
• RQ2 동적으로 강화된 인variants의 통합은 k-인덕션에서 필요한 k-값(루프 펼침 깊이)에 어떤 영향을 미치는가?
• RQ3 인variants 개선 기반의 타당한 k-인덕션 접근법은 히وري스틱 또는 비타당한 기법을 사용하는 기존 k-인덕션 도구를 능가할 수 있는가?
• RQ4 상위 수준의 도구인 Esbmc에 비해 이 방법은 루프 펼침 수를 얼마나 줄일 수 있는가?
• RQ5 CPAchecker 내의 숙련된 기법인 술어 추상화와 비교했을 때, 제안된 방법의 성능는 어떠한가?

주요 결과

• 제안된 접근법은 2015년 소프트웨어 검증 경쟁 대회 벤치마크에서 모든 기존 k-인덕션 기반 구현보다 성공적인 검증 결과를 보였다.
• CPAchecker에 지속적으로 개선되는 인variants를 적용한 결과, k=1일 경우 필요한 845개의 프로그램을 모두 검증했으며, Esbmc는 이들 중 많은 수에 대해 더 많은 펼침이 필요했다.
• 더 높은 k-값이 필요한 프로그램에 대해서도 CPAchecker는 나머지 네 개 프로그램 외에는 k ≤ 32로 충분했고, Esbmc는 71개 프로그램에 대해 최대 k=100까지 필요로 했다.
• 이 방법은 루프 펼침 수를 크게 줄였으며, k > 32가 필요한 프로그램은 단 네 개뿐이었고, Esbmc는 k > 100이 필요한 프로그램이 71개였다.
• 이 접근법은 더 새로운 기법임에도 불구하고 CPAchecker 내의 술어 추상화와 경쟁 가능했으며, 타겟된 인variants 개선을 통해 향후 더 큰 향상 가능성을 보였다.
• 타당한 인variants 개선 기법을 사용함으로써, Esbmc가 예제-안전하지 않은 프로그램에서 잘못된 증명을 내보내는 문제를 방지했으며, 정확성과 신뢰성을 입증했다.