[논문 리뷰] LoopInvGen: A Loop Invariant Generator based on Precondition Inference

Saswat Padhi, Rahul Sharma외 1명|arXiv (Cornell University)|2017. 07. 07.

Software Testing and Debugging Techniques참고 문헌 7인용 수 7

한 줄 요약

LoopInvGen은 고정된 술어 집합에 의존하지 않고 프로그램 합성 기반 동적 특성 추론을 통해 인바리언트를 추론하는 데이터 기반 루프 인바리언트 생성기이다. SyGuS-Comp 2018 벤치마크에서 요구되는 기능 학습을 현장에서 수행하고 반복적인 오류 예측 기반 정밀 조정을 통해 추론 시간을 단축함으로써 기존 도구들을 능가한다.

ABSTRACT

We describe the LoopInvGen tool for generating loop invariants that can provably guarantee correctness of a program with respect to a given specification. LoopInvGen is an efficient implementation of the inference technique originally proposed in our earlier work on PIE (https://doi.org/10.1145/2908080.2908099). In contrast to existing techniques, LoopInvGen is not restricted to a fixed set of features -- atomic predicates that are composed together to build complex loop invariants. Instead, we start with no initial features, and use program synthesis techniques to grow the set on demand. This not only enables a less onerous and more expressive approach, but also appears to be significantly faster than the existing tools over the SyGuS-COMP 2018 benchmarks from the INV track.

연구 동기 및 목표

• 기존 정적 분석이 실패하는 복잡한 프로그램에서 표현력 있고 효율적인 루프 인바리언트 생성의 과제를 해결한다.
• 기존 데이터 기반 접근 방식이 고정되거나 사전에 지정된 원자 술어(특성) 집합에 의존하는 한계를 극복한다.
• 루프 인바리언트 합성 문제를 전조 조건 추론 문제의 시퀀스로 환원함으로써 확장 가능하고 모듈러한 인바리언트 추론을 가능하게 한다.
• 프로그램 합성 기법을 활용해 필요할 때만 특성을 동적으로 학습함으로써 성능 향상과 수렴 속도 향상을 도모한다.
• 정리 증명기와 합성기와의 모듈러 통합을 통해 비선형 산술 및 복잡한 프로그램 구조로의 확장성을 지원한다.

제안 방법

• PIE(Precondition Inference Engine) 프레임워크를 사용해 루프 인바리언트 추론을 전조 조건 추론 문제의 시리즈로 환원한다.
• 두 단계 반복 프로세스를 활용한다: (1) 동적으로 합성된 특성을 사용한 전조 조건 추론을 통한 후보 인바리언트 학습, (2) 정리 증명기를 활용한 충분성 검증.
• 선형 정수 산술(LIA) 이론에서 프로그램 합성(특히 HEnum 알고리즘)을 통해 요구 시 특성 생성.
• 오류 예측에서 유도된 동반 논리 공식(CNF)을 합성하기 위해 PAC 학습 기반 부울 함수 학습기(BFL) 통합.
• Process 컴포넌트에서 정적 분석을 수행해 입력 문제를 단순화하고 초기에 만족 불가능한 사양을 탐지한다.
• 모델 검증 및 제약 조건 해결을 위해 Z3를 기반 정리 증명기로 사용하며, 범위 기반 캐싱을 통해 성능 최적화.

실험 결과

연구 질문

• RQ1 데이터 기반 루프 인바리언트 생성 접근 방식이 고정된 원자 술어 집합이 없이도 성능을 유지하거나 향상시킬 수 있는가?
• RQ2 프로그램 합성 기반의 요구 시 특성 학습이 CEGIS 반복 횟수를 줄이고 수렴 속도를 가속화하는 데 얼마나 효과적인가?
• RQ3 고정 템플릿 또는 고정 특성 방법 대비 동적 특성 학습이 표현력과 확장성 측면에서 얼마나 향상되는가?
• RQ4 오류 예측 기반 정밀 조정과 함께 전조 조건 추론을 통합하면 기존 도구보다 더 효율적으로 증명 가능한 정확한 인바리언트를 도출할 수 있는가?
• RQ5 다수의 오류 예측 및 병렬 실행을 통해 실세계 벤치마크에서 추론 시간과 강인성은 어떻게 향상되는가?

주요 결과

• LoopInvGen은 SyGuS-Comp 2018 Inv 트랙 벤치마크에서 기존 도구들을 크게 능가하며, 동적 특성 학습 덕분에 더 빠른 수렴 속도를 기록한다.
• 1개의 오류 예측 대신 32개의 오류 예측을 사용함으로써 CEGIS 반복 횟수를 줄이고 수렴 속도를 가속화하여 전반적인 효율성을 향상시킨다.
• 전조건이 후조건을 함의하지 않거나 기존의 부정적 예측이 탐지될 경우 조기 종료가 발생하여 강인성이 향상된다.
• 특성 합성에 하이브리드 순열(HEnum)을 통합함으로써 다양한 표현력의 하위 문법 탐색을 번갈아 수행함으로써 더 빠른 수렴을 이끌어낸다.
• 다른 랜덤 시드를 사용해 Record 및 Infer 컴포넌트를 병렬 실행함으로써 상태 커버리지가 향상되고, 특히 비결정적 프로그램에서 과적합을 줄이는 데 기여한다.
• SyGuS-IF에서 비선형 정수 산술(NLIA)과 보조 관계의 지원은 LIA를 초월해 도구의 적용 범위를 넓히며 실용적 유용성을 증가시킨다.