[논문 리뷰] Computing Inductive Invariants of Regular Abstraction Frameworks

Philipp Czerner, Javier Esparza외 2명|arXiv (Cornell University)|2024. 01. 01.

Advanced Database Systems and Queries인용 수 2

한 줄 요약

이 논문은 정규 전이 시스템(RTS)의 인덕티브 불변량 접근법을 임의의 정규 추상화 프레임워크로 일반화하여 안전성 검증 문제의 복잡도가 여전히 EXPSPACE-완전하다는 것을 증명한다. 또한 안전성이 입증되면 조기에 정지하는 러닝 자동차 학습 알고리즘을 도입하여 이전 작업 대비 자동차 크기를 크게 줄였으며, 실험 결과 핵심 벤치마크에서 최대 90%까지 작아지는 것으로 나타났다. 이는 정확성을 유지하면서도 성능 향상을 이룬다.

ABSTRACT

Regular transition systems (RTS) are a popular formalism for modeling infinite-state systems in general, and parameterised systems in particular. In a CONCUR 22 paper, Esparza et al. introduce a novel approach to the verification of RTS, based on inductive invariants. The approach computes the intersection of all inductive invariants of a given RTS that can be expressed as CNF formulas with a bounded number of clauses, and uses it to construct an automaton recognising an overapproximation of the reachable configurations. The paper shows that the problem of deciding if the language of this automaton intersects a given regular set of unsafe configurations is in EXPSPACE and PSPACE-hard. We introduce regular abstraction frameworks, a generalisation of the approach of Esparza et al., very similar to the regular abstractions of Hong and Lin. A framework consists of a regular language of constraints, and a transducer, called the interpretation, that assigns to each constraint the set of configurations of the RTS satisfying it. Examples of regular abstraction frameworks include the formulas of Esparza et al., octagons, bounded difference matrices, and views. We show that the generalisation of the decision problem above to regular abstraction frameworks remains in EXPSPACE, and prove a matching (non-trivial) EXPSPACE-hardness bound. EXPSPACE-hardness implies that, in the worst case, the automaton recognising the overapproximation of the reachable configurations has a double-exponential number of states. We introduce a learning algorithm that computes this automaton in a lazy manner, stopping whenever the current hypothesis is already strong enough to prove safety. We report on an implementation and show that our experimental results improve on those of Esparza et al.

연구 동기 및 목표

• 에스파르자 등이 제안한 인덕티브 불변량 접근법을 유계 CNF 공식을 초월하여 임의의 정규 추상화 프레임워크로 일반화한다.
• 모든 이러한 프레임워크에서 안전성 검증 문제가 여전히 EXPSPACE에 속한다는 것을 증명하여 이전 연구에서 제기된 열린 문제를 해결한다.
• 복잡도가 최악의 경우에 대해 정확히 맞는 EXPSPACE-난이도 하한을 확립한다.
• 안전성이 입증될 수 있는 즉시 정지하는 인덕티브 불변량을 단계적으로 구성하는 러닝 학습 알고리즘을 설계하고 구현한다.
• 실험적으로 새로운 접근법이 직접 방법에 비해 훨씬 더 작은 자동차를 생성함을 입증한다. 이는 확장성 향상에 기여한다.

제안 방법

• 정규 언어로 구성된 제약 조건과 각 제약 조건을 구성 상태의 집합으로 매핑하는 트랜스듀서 기반의 해석을 포함하는 정규 추상화 프레임워크를 도입한다.
• 안전성 검증 문제를 도달 가능한 상태의 초과근사와 불안전한 구성 상태의 집합 간의 언어 교차를 확인하는 것으로 환원한다.
• 지수적으로 유계된 트루스만 기계의 수락 문제로부터 복잡한 환원을 통해 EXPSPACE 완전성을 증명하며, 복잡도의 엄밀한 경계를 확립한다.
• 안전성이 입증되면 조기에 정지하는 러닝 학습 알고리즘을 제안하며, 이는 인덕티브 불변량을 위한 자동차를 단계적으로 구축한다.
• 구성 상태 간의 분리 가능성 여부를 판단하기 위해 분리 가능성 검사를 사용하며, 길이를 유지하는 해석에 대해 NP-완전성이 입증된다.
• LearnLib와 automatalib를 사용하여 구현하며, 효율적인 분리 가능성 질의를 위해 SAT 솔버(sat4j)를 통합한다.

실험 결과

연구 질문

• RQ1 정규 추상화 프레임워크에서 안전성 검증 문제가 기존의 유계 CNF 공식을 초월하여 일반화된 경우에도 여전히 EXPSPACE에 속하는가?
• RQ2 일반적인 정규 추상화 프레임워크에 대해 EXPSPACE-난이도 결과를 확립할 수 있으며, 이는 최악의 경우에 대해 정확한가?
• RQ3 안전성이 입증될 수 있는 즉시 정지하는 러닝 학습 기반 알고리즘을 설계할 수 있는가? 이는 초과근사의 완전한 구성 방지를 가능하게 한다.
• RQ4 실제로 결과적으로 생성된 자동차의 크기는 직접 구성 방법과 비교하여 어떻게 되는가?
• RQ5 학습 기반 접근법이 정확성과 완전성을 유지하면서도 자동차 크기를 크게 줄일 수 있는가?

주요 결과

• 정규 추상화 프레임워크의 안전성 검증 문제는 지수적으로 유계된 트루스만 기계에서 비틀린 비트리비얼한 환원을 통해 얻어진 비트리비얼한 하한을 통해 EXPSPACE-완전하다.
• 도달 가능한 구성 상태의 초과근사 자동차의 최악의 크기는 이중지수적이다. 이는 효율적인 구성 기법이 반드시 필요하다는 것을 확인한다.
• 제안된 러닝 학습 알고리즘은 직접 방법에 비해 훨씬 더 작은 자동차를 생성하며, 일부 벤치마크에서 최대 90%까지 감소시킨다.
• 59宗의 사례 연구 중 54개에서 구현이 3초 이내에 완료되어, 많은 일반적인 매개변수화된 시스템에 대해 실용적인 효율성을 보였다.
• 여러 가지 제약 조건 유형의 결합을 통해 추상화를 정교화함으로써 원래 방법이 실패한 경우에도 안전성을 성공적으로 입증하였다.
• 길이를 유지하는 해석에 대해 SAT 기반의 분리 가능성 검사는 NP-완전이며, 이는 학습 파ip라인에 효율적으로 통합될 수 있다.