Skip to main content
QUICK REVIEW

[논문 리뷰] LTL Model-Checking for Dynamic Pushdown Networks Communicating via Locks

Fu Song, Tayssir Touili|arXiv (Cornell University)|2016. 10. 11.
Formal Methods in Verification참고 문헌 26인용 수 3
한 줄 요약

이 논문은 락을 추가한 동적 푸시다운 네트워크(DPNs)에서 선형 시간 논리(LTL) 성질을 위한 결정 가능(decidable) 모델 체킹 프레임워크를 제안한다. 여기서 프로세스들은 중첩된 락 획득을 통해 동기화된다. 저자들은 락 사용 일관성을 추적하는 획득 구조를 포함한 확장된 제품 DPN을 구성함으로써, 락이 추가된 DPN에 대한 LTL 모델 체킹 문제를 표준 DPN에 대한 LTL 모델 체킹 문제로 환원한다. 이는 단순 및 정규 값 할당 모두에서 결정 가능성을 보장한다.

ABSTRACT

A Dynamic Pushdown Network (DPN) is a set of pushdown systems (PDSs) where each process can dynamically create new instances of PDSs. DPNs are a natural model of multi-threaded programs with (possibly recursive) procedure calls and thread creation. Extending DPNs with locks allows processes to synchronize with each other. Thus, DPNs with locks are a well adapted formalism to model multi-threaded programs that synchronize via locks. Therefore, it is important to have model-checking algorithms for DPNs with locks. We consider in this work model-checking for DPNs with locks against single-indexed LTL properties of the form V fi s.t. fi is a LTL formula interpreted over the PDS i. We consider the model-checking problems w.r.t. simple valuations (i.e, whether a configuration satisfies an atomic proposition depends only on its control location and held locks) and w.r.t. regular valuations (i.e., the set of the configurations satisfying an atomic proposition is a regular set of configurations). We show that these model-checking problems are decidable.

연구 동기 및 목표

  • 동적 스레드 생성과 락 기반 동기화를 지원하는 다중 스레드 프로그램에 대한 LTL 모델 체킹 지원 부족 문제를 해결하기 위해.
  • 기존 DPN에 대한 결정 가능성 결과를 락을 포함하도록 확장하여 실제 동시 시스템을 모델링하는 데 필수적인 락을 통합하기 위해.
  • 중첩된 방식의 락 사용의 정확성을 보장하면서도 LTL 검증의 결정 가능성을 유지하기 위해.
  • 획득 구조를 인코딩한 제어 상태를 갖는 표준 DPN으로 락이 추가된 DPN을 변환하는 기반 기반 접근법을 제공하기 위해.
  • LTL 공식에서 원자 명제에 대한 단순 및 정규 값 할당을 모두 지원하기 위해.

제안 방법

  • 보존된 L-DPN과 획득 구조를 결합하여 제품 DPN을 구성함으로써, 보유 중인 락과 락 획득/해제 순서를 추적한다.
  • 중첩된 락 사용 정책(즉, 가장 최근에 획득한 락만 해제 가능)을 강제하는 일관성 있는 획득 구조를 정의한다.
  • 획득 구조를 제어 상태에 직접 인코딩함으로써 중간 히지 오ート마타 인코딩을 피하는 변환을 도입한다.
  • 제품 구성 중 일관성 없는 획득 구조를 걸러내어 유효한 락 사용 시퀀스만 모델링하도록 한다.
  • L-DPN에 대한 LTL 모델 체킹 문제를 이전에 해결된 표준 DPN에 대한 단일 색인 LTL 모델 체킹 문제로 환원한다.
  • 기존 DPN 모델 체킹 연구를 활용하여 결과 문제를 해결함으로써 결정 가능성을 보장한다.

실험 결과

연구 질문

  • RQ1중첩된 락 획득을 사용하는 락이 추가된 동적 푸시다운 네트워크에 대해 단일 색인 LTL 모델 체킹은 결정 가능한가?
  • RQ2모델 체킹 문제는 정확성과 결정 가능성을 유지하면서도 표준 DPN 모델 체킹으로 환원될 수 있는가?
  • RQ3획득 구조는 동시 실행 중에 올바른 락 사용 패턴(예: 중첩된 해제)을 어떻게 강제할 수 있는가?
  • RQ4원자 명제에 대한 단순 및 정규 값 할당 모두에서 접근법은 여전히 결정 가능한가?
  • RQ5제품 구성 중에 일관성 없는 또는 잘못된 락 사용 시퀀스는 효과적으로 잘라낼 수 있는가?

주요 결과

  • 단일 색인 LTL 성질을 갖는 락이 추가된 DPN에 대한 모델 체킹 문제는 단순 및 정규 값 할당 모두에서 결정 가능하다.
  • 제안된 표준 DPN 모델 체킹으로의 환원은 정확성을 유지하며 기존의 결정 가능성 기법을 활용할 수 있게 한다.
  • 획득 구조는 락 사용을 추적하고 중첩된 락 의미 체계를 강제하여 유효한 실행 시퀀스만 고려하도록 한다.
  • 중간 히지 오ート마타 인코딩을 피함으로써 이전 작업 대비 더 컴act하고 효율적인 DPN 구축이 가능하다.
  • 제품 구성 중 일관성 없는 획득 구조(예: 해제 그래프에 사이클이 있는 경우)가 탐지되어 잘라내져 효율성이 향상된다.
  • 이전의 L-DPN에서의 도달 가능성 연구를 일반화하고 LTL로 확장함으로써, 동시적 재귀 프로그램에서 더 풍부한 행동 성질 검증이 가능해진다.

더 나은 연구,지금 바로 시작하세요

논문 읽기부터 검토까지, 연구 시간을 획기적으로 줄여보세요.

카드 등록 없음 · 무료 플랜 제공

이 리뷰는 AI가 만들고, 인간 에디터가 검토했습니다.