[논문 리뷰] Probabilistic Bisimulation: Naturally on Distributions

Holger Hermanns, Jan Krčál외 1명|arXiv (Cornell University)|2014. 04. 21.

Formal Methods in Verification참고 문헌 44인용 수 4

한 줄 요약

이 논문은 확률 분포를 일급 엔티티로 취급하는 새로운 확률적 바이시뮬레이션 관계를 제안하여 이산적이고 연속적인 확률적 시스템에 대해 자연스럽고 통합된 의미론을 가능하게 한다. 이 분포 기반 바이시뮬레이션을 통해 CTMC와 타이밍 자동기계에서의 기억 없는 지수 지연이 행동적으로 동치임을 보여줌으로써, 오랫동안 남아있던 연속시간 시스템 모델링 문제를 해결하며, 다양한 시스템 모델에 걸쳐 형식적 검증을 위한 탄탄한 기반을 제공한다.

ABSTRACT

In contrast to the usual understanding of probabilistic systems as stochastic processes, recently these systems have also been regarded as transformers of probabilities. In this paper, we give a natural definition of strong bisimulation for probabilistic systems corresponding to this view that treats probability distributions as first-class citizens. Our definition applies in the same way to discrete systems as well as to systems with uncountable state and action spaces. Several examples demonstrate that our definition refines the understanding of behavioural equivalences of probabilistic systems. In particular, it solves a long-standing open problem concerning the representation of memoryless continuous time by memory-full continuous time. Finally, we give algorithms for computing this bisimulation not only for finite but also for classes of uncountably infinite systems.

연구 동기 및 목표

• 연속시간 마르코프 체인(CTMC)과 확률적 의미를 가진 타이밍 자동기계 사이의 행동적 등가성에 대한 오랫동안 남아있던 열린 문제를 해결하기 위해.
• 확률 분포를 일급 시민으로 취급하는 자연스럽고 분포 중심의 의미론을 제공하여 확률적 시스템에 대해 정의하기 위해.
• 기존 바이시뮬레이션들이 잘못으로 동치로 간주하는 상태들을 구분함으로써 행동적 등가성을 정교화하기 위해, 특히 대규모 인구 또는 연속 상태 시스템에서의 경우를 고려하여.
• 유한 및 기하급수적으로 무한한 시스템 모두에서 이 바이시뮬레이션을 계산하기 위한 알고리즘을 개발하기 위해.

제안 방법

• 개별 상태가 아니라 확률 분포에 대해 새로운 강한 바이시뮬레이션 관계를 정의하며, 연속 공간으로 자연스럽게 확장 가능한 코알제브라적 프레임워크를 사용한다.
• 전이를 전이 함수 ξ를 통해 분포에서 분포로의 사상으로 형식화하여, 행동을 통해 분포의 구조를 유지한다.
• 두 가지 규칙을 가진 표본 기반 증명 체계를 사용한다: Step(분포 전이용)과 Lin(선형 조합용), 이를 통해 무한 분포의 유한 표현을 가능하게 한다.
• 선형 대수학을 활용하여 분포를 압축적으로 표현함으로써, 기하급수적으로 무한한 상태 공간에서도 알고리즘적 계산이 가능하게 한다.
• 성공적인 표본이 바이시뮬레이션 관계에 정확히 대응하며, 유한한 성공적인 표본이 존재하고 |S̄| (다양한 분포 유형의 수)에 대해 다항 시간 내에 계산 가능하다는 것을 증명한다.
• 이 프레임워크를 적용하여 기억 없는 연속시간 시스템과 기억 있는 연속시간 시스템 간의 등가성을 입증함으로써, CTMC와 TA 의미론 간의 괴리를 해결한다.

실험 결과

연구 질문

• RQ1 확률 분포를 개별 상태가 아니라 일급 엔티티로 취급하는 통합된 행동적 등가성 관계를 확률적 시스템에 정의할 수 있는가?
• RQ2 확률적 시계를 다루는 방식이 다르지만, CTMC와 확률적 의미를 가진 타이밍 자동기계 간의 등가성을 증명할 수 있는 공식적 기반은 존재하는가?
• RQ3 기하급수적으로 무한한 상태 공간과 동작 공간을 가진 시스템, 특히 연속시간 모델에 대해 확률적 바이시뮬레이션을 의미 있게 어떻게 확장할 수 있는가?
• RQ4 제안된 바이시뮬레이션은 이전 방법들보다 더 정밀하게 행동적으로 구분 불가능한 상태들을 구분할 수 있는가, 특히 대규모 인구 또는 복잡한 시스템에서의 경우를 고려하여?
• RQ5 이 바이시뮬레이션을 효율적으로 계산하기 위한 알고리즘적 기법은 무엇인가, 유한 및 기하급수적으로 무한한 시스템 모두에서 적용 가능한가?

주요 결과

• 제안된 분포 기반 바이시뮬레이션은 15년간의 열린 문제를 공식적으로 해결하여, 기억 없는 연속시간 시스템과 기억 있는 연속시간 시스템이 이 의미론 하에서 행동적으로 동치임을 입증한다.
• 기존 접근 방식에서 흔히 발생하는 과도한 근사나 부족한 근사 문제를 피하면서, 행동적으로 구분 불가능한 상태들을 정확히 식별한다.
• 유한 시스템의 경우, 선형 대수적 압축을 Lin 규칙을 통해 사용하는 표본 기반 알고리즘을 통해 다항 시간 내에 바이시뮬레이션을 계산할 수 있다.
• 코알제브라적 프레임워크를 활용함으로써, 연속 시간과 기하급수적으로 무한한 상태 공간을 가진 시스템으로 자연스럽게 확장 가능하다.
• μ ∼ ν에서 성공적인 표본이 존재하는 것은 바이시뮬레이션에서 μ ∼ ν일 때 정확히 해당하는 것이며, 이러한 표본은 유한하고 |S̄| (다양한 분포 유형의 수)에 대해 다항 시간 내에 크기를 가질 수 있다.
• 이 프레임워크는 연속시간 확률적 시스템, 특히 이산적이고 연속적인 행동을 혼합한 하이브리드 모델을 포함한 형식적 검증을 위한 탄탄하고 완전한 기반을 제공한다.