[论文解读] CVC4 at the SMT Competition 2018

Clark Barrett, Haniel Barbosa+9 more|arXiv (Cornell University)|Jun 20, 2018

Formal Methods in Verification参考文献 3被引用 3

一句话总结

本文介绍了 CVC4 SMT 求解器在 2018 年 SMT 竞赛中的配置，重点展示了多项关键改进，包括使用 SymFPU 的原生浮点数求解器、惰性位向量处理机制、采用 CaDiCaL 作为 eager bit-blasting 的 SAT 后端、非线性算术启发式算法的改进、默认采用基于符号逆的量化位向量求解方法，以及通过有限模型查找和上下文相关简化实现的字符串处理实验性支持。这些改进使 CVC4 能够参与所有主要赛道、应用赛道、未满足核心赛道，以及 QF_SLIA 实验性赛道的竞赛。

ABSTRACT

This paper is a description of the CVC4 SMT solver as entered into the 2018 SMT Competition. We only list important differences from the 2017 SMT Competition version of CVC4. For further and more detailed information about CVC4, please refer to the original paper, the CVC4 website, or the source code on GitHub.

研究动机与目标

• 提升 CVC4 对浮点数逻辑的支持，使其能够参与 2018 年 SMT 竞赛中所有浮点数逻辑赛道。
• 通过更新的 SAT 后端和启发式技术，提升位向量与非线性算术求解的性能与可扩展性。
• 引入一种新颖的基于符号逆的求解方法，作为量化位向量公式的默认策略。
• 通过有限模型查找和上下文敏感简化，将 CVC4 的能力扩展至 QF_SLIA 实验性赛道中的字符串逻辑处理。
• 针对主赛道、应用赛道、未满足核心赛道和实验性赛道，通过定制化编译选项与参数设置，优化 CVC4 的配置。

提出的方法

• CVC4 的浮点数求解器通过 SymFPU 将浮点数运算转换为位向量运算，再由惰性位向量引擎处理。
• eager bit-blasting 引擎现采用 CaDiCaL（提交版本 b44ce4f）作为 SAT 后端，取代 CryptoMiniSat 4，显著提升了位向量问题的性能。
• 非线性算术通过受 Cimatti 等人启发的启发式算法处理，必要时回退至位向量编码，使用 CaDiCaL 作为底层 SAT 求解器。
• 对于量化位向量，CVC4 采用基于符号逆的计算方法处理位向量运算，现已成为默认求解策略。
• 在 QF_SLIA 中，字符串求解采用有限模型查找方法，结合字符串长度限制与上下文相关简化，以支持包含和替换等扩展字符串函数。
• 各赛道采用定制化配置：CVC4-main 用于非交互式输入且无需证明，CVC4-application 用于交互式输入，CVC4-uc 用于支持证明的未满足核心提取，CVC4-experimental-idl-2 用于 IDL 中的增量最短路径求解。

实验结果

研究问题

• RQ1 如何扩展 CVC4 以原生支持所有竞赛赛道中的浮点数逻辑？
• RQ2 将 SAT 后端从 CryptoMiniSat 4 切换至 CaDiCaL 对 eager bit-blasting 性能有何影响？
• RQ3 基于符号逆的计算方法能否提升量化位向量求解的效率与正确性？
• RQ4 结合上下文相关简化，有限模型查找方法在求解字符串逻辑问题方面的有效性如何？
• RQ5 何种配置策略能最大化 CVC4 在主赛道、应用赛道、未满足核心赛道及实验性赛道中的整体性能表现？

主要发现

• CVC4 成功进入 2018 年 SMT 竞赛所有主赛道、应用赛道与未满足核心赛道，展现出对多种逻辑理论的广泛支持能力。
• 通过 SymFPU 集成浮点数求解器，CVC4 首次具备参与所有浮点数逻辑赛道的竞争力。
• 采用 CaDiCaL 作为 eager bit-blasting 的 SAT 后端，相较于之前的 CryptoMiniSat 4 配置，性能显著提升。
• 基于符号逆的量化位向量求解方法已成为默认策略，显著提升了对复杂位向量量化问题的处理能力。
• 实验性 QF_SLIA 配置成功应用有限模型查找与上下文敏感简化，有效支持了竞赛中扩展字符串操作的处理。
• 针对各赛道的定制化配置（包括不同的编译选项与参数设置）在交互式、非交互式及证明生成等不同使用场景下均实现了最优性能。