[论文解读] On Verifying Complex Properties using Symbolic Shape Analysis

Thomas Wies, Viktor Kunčak+3 more|ArXiv.org|Sep 18, 2006

Protein Structure and DynamicsBiochemistry, Genetics and Molecular Biology参考文献 56被引用 21

一句话总结

Bohne 是一种符号化形状分析算法，通过结合一阶树上的单调二阶逻辑决策程序、SMT 求解器（CVC Lite）以及 Isabelle 的定理证明器，合成析取的、全称量化的循环不变式，以验证复杂数据结构的不变性。它能够精确验证动态数据结构（如链表、树和数组）中的安全、一致性和契约属性，并通过缓存和量词实例化实现性能提升。

ABSTRACT

One of the main challenges in the verification of software systems is the analysis of unbounded data structures with dynamic memory allocation, such as linked data structures and arrays. We describe Bohne, a new analysis for verifying data structures. Bohne verifies data structure operations and shows that 1) the operations preserve data structure invariants and 2) the operations satisfy their specifications expressed in terms of changes to the set of objects stored in the data structure. During the analysis, Bohne infers loop invariants in the form of disjunctions of universally quantified Boolean combinations of formulas. To synthesize loop invariants of this form, Bohne uses a combination of decision procedures for Monadic Second-Order Logic over trees, SMT-LIB decision procedures (currently CVC Lite), and an automated reasoner within the Isabelle interactive theorem prover. This architecture shows that synthesized loop invariants can serve as a useful communication mechanism between different decision procedures. Using Bohne, we have verified operations on data structures such as linked lists with iterators and back pointers, trees with and without parent pointers, two-level skip lists, array data structures, and sorted lists. We have deployed Bohne in the Hob and Jahob data structure analysis systems, enabling us to combine Bohne with analyses of data structure clients and apply it in the context of larger programs. This report describes the Bohne algorithm as well as techniques that Bohne uses to reduce the ammount of annotations and the running time of the analysis.

研究动机与目标

• 为解决验证无界、堆分配的数据结构（如链表和动态分配的数组）中复杂不变性的挑战。
• 在统一框架中支持形状属性（例如可达性、树结构）和功能属性（例如有序性、数组不变性）的验证。
• 通过决策程序和语义缓存自动推断精确的循环不变式，减少对人工注释的依赖。
• 通过集成多种决策程序并利用合成的不变式，提升程序验证的可扩展性和自动化程度。
• 展示将单调二阶逻辑、SMT 求解与定理证明相结合，用于验证复杂数据结构操作的有效性。

提出的方法

• Bohne 使用一种符号化形状分析，通过一元谓词对堆分配的对象进行划分，以表示结构和功能属性。
• 将循环不变式合成为空集形式的全称量化的布尔公式的析取，以二叉决策图的集合形式表示。
• 该算法结合了一阶树上的单调二阶逻辑决策程序、SMT 求解器（CVC Lite）以及 Isabelle 的自动化推理器，以推导不变式。
• 字段约束分析使得在单调二阶逻辑公式中使用未解释函数符号成为可能，同时在关键情况下保持完备性。
• 语义缓存和前提合取的传播减少了冗余的决策程序调用，提升了性能。
• 量词实例化基于先前的循环迭代进行上下文感知处理，以在保持精度的同时降低计算成本。

实验结果

研究问题

• RQ1 符号化形状分析算法能否自动推断出结合了可达性与功能属性的复杂、析取的循环不变式？
• RQ2 如何有效协调单调二阶逻辑与 SMT 的决策程序，以在无需人工注释的情况下验证数据结构不变式？
• RQ3 语义缓存和上下文敏感的量词实例化在多大程度上能减少形状分析中的决策程序调用次数？
• RQ4 统一的分析框架能否在同一验证过程中同时验证结构不变式（例如树的形状）和功能不变式（例如有序性）？
• RQ5 将 Isabelle 的定理证明器与外部决策程序集成，如何改善合成不变式的通信效率与精度？

主要发现

• Bohne 在多种数据结构中成功验证了复杂属性，包括单向和双向链表、两级跳表、带与不带父指针的树、有序列表以及数组。
• 在 List.reverse 中，决策程序调用减少了 72%（共 371 次，22% 的缓存命中率），证明了缓存机制的有效性。
• 关闭语义缓存后，分析速度下降了 1.3 至 1.5 倍，表明其对性能具有显著影响。
• 关闭量词实例化后，运行时间增加了 1.2 至 3.6 倍，显示出其在可扩展性中的关键作用。
• 对于 Tree.add，分析共调用了 983 次决策程序（占总时间的 91%），耗时 81 秒，凸显了复杂不变式带来的开销。
• 该框架减少了对人工注释的需求，并支持了过程契约的验证，例如数据结构中存储元素集合的变化。