[論文レビュー] LoopInvGen: A Loop Invariant Generator based on Precondition Inference

Saswat Padhi, Rahul Sharma+1 more|arXiv (Cornell University)|Jul 7, 2017

Software Testing and Debugging Techniques参考文献 7被引用数 7

ひとこと要約

LoopInvGen は、固定された述語のセットに依存せずに、プログラム合成を用いて動的に特徴を合成することで不変式を推論するデータ駆動型ループ不変式生成ツールである。SyGuS-Comp 2018 ベンチマークにおいて、オンデマンドでの特徴学習と反復的・反復的誤り例誘導型の精練により、推論時間を短縮することで、既存のツールを上回る性能を発揮する。

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.

研究の動機と目的

• 従来の静的解析が失敗するような複雑なプログラムに対して、表現力があり、効率的なループ不変式を生成する課題に取り組む。
• 既存のデータ駆動型アプローチが固定されたまたは事前に指定された原子述語（特徴）のセットに依存するという限界を克服する。
• ループ不変式の合成を事前条件推論問題の系列に還元することで、スケーラブルでモジュラーな不変式推論を実現する。
• プログラム合成技術を用いて必要に応じてのみ特徴を動的に学習することで、性能と収束速度を向上させる。
• 定理証明器と合成器とのモジュラー統合により、非線形算術や複雑なプログラム構造への拡張を可能にする。

提案手法

• PIE（事前条件推論エンジン）フレームワークを用いて、ループ不変式推論を一連の事前条件推論問題に還元する。
• 2段階の反復的プロセスを採用する：(1) 動的に合成された特徴を用いた事前条件推論により候補不変式を学習し、(2) 定理証明器を用いて十分性を検証する。
• 線形整数算術（LIA）の理論から、HEnum アルゴリズムを介してプログラム合成により、必要に応じて新しい特徴を生成する。
• PAC学習に基づくブール関数学習器（BFL）を用いて、誤り例から結合標準形（CNF）論理式を合成する。
• プロセス部において静的解析を実行し、入力問題を単純化し、不満たし可能な仕様を早期に検出する。
• Z3 を定理証明器として用い、モデル検査と制約解決を実行し、スコープベースのキャッシュを活用してパフォーマンスを最適化する。

実験結果

リサーチクエスチョン

• RQ1 データ駆動型のループ不変式生成アプローチは、事前に定義された原子述語のセットを必要とせずに、性能を維持または向上させることができるか？
• RQ2 プログラム合成によるオンデマンド特徴合成は、CEGIS イタレーション数を削減し、収束を加速するのにどの程度効果的か？
• RQ3 固定テンプレートや固定特徴法と比較して、動的特徴学習は表現力とスケーラビリティをどの程度向上させるか？
• RQ4 誤り例誘導型精練と事前条件推論を統合することで、従来のツールよりも効率的に証明可能な正しい不変式を生成できるか？
• RQ5 複数の誤り例と並列実行を用いることで、実世界のベンチマークにおける推論時間と耐障害性はどの程度向上するか？

主な発見

• LoopInvGen は SyGuS-Comp 2018 Inv トラックのベンチマークにおいて、動的特徴学習のおかげで収束が著しく速くなり、既存ツールを上回る性能を発揮した。
• 1つの誤り例ではなく32個の誤り例を用いることで、CEGIS イタレーション数が削減され、収束が加速され、全体の効率が向上した。
• 事前条件が後件を含意しない、または既知の否定例が検出された場合に早期終了が発動し、耐障害性が向上した。
• 特徴合成にハイブリッド列挙（HEnum）を統合することで、表現力の異なる部分文法の探索を交互に実行することで、収束がより速くなった。
• 異なるランダムシードを用いて Record と Infer のコンponent を並列実行することで、状態カバレッジが向上し、特に非決定的プログラムでは過学習が軽減された。
• SyGuS-IF における非線形整数算術（NLIA）と補助関係のサポートにより、LIA を超える範囲への適用が可能になり、実用的有用性が向上した。