[论文解读] Proving linearisability via coarse-grained abstraction

Brijesh Dongol, John Derrick|arXiv (Cornell University)|Dec 20, 2012

Distributed systems and fault tolerance参考文献 5被引用 6

一句话总结

本文提出了一种组合式、基于区间的验证方法，用于在无需显式识别低级代码中线性化点的情况下验证并发数据结构的线性可观察性。通过证明细粒度的具体程序对粗粒度抽象的细化——其中线性化点易于识别——该方法简化了验证过程，并支持即使在具有非局部线性化点的复杂算法中也能进行可扩展的、前向推理。

ABSTRACT

Linearisability has become the standard safety criterion for concurrent data structures ensuring that the effect of a concrete operation takes place after the execution some atomic statement (often referred to as the linearisation point). Identification of linearisation points is a non-trivial task and it is even possible for an operation to be linearised by the execution of other concurrent operations. This paper presents a method for verifying linearisability that does not require identification of linearisation points in the concrete code. Instead, we show that the concrete program is a refinement of some coarse-grained abstraction. The linearisation points in the abstraction are straightforward to identify and the linearisability proof itself is simpler due to the coarse granularity of its atomic statements. The concrete fine-grained program is a refinement of the coarse-grained program, and hence is also linearisable because every behaviour of the concrete program is a possible behaviour its abstraction.

研究动机与目标

• 解决在细粒度并发数据结构中验证线性可观察性时，线性化点难以识别的挑战。
• 消除线性可观察性证明中对逆向推理和复杂前后状态分析的需求。
• 开发一个可扩展的、组合式的验证框架，支持真正的并发与干扰推理。
• 证明粗粒度抽象可用于验证复杂、非确定性线性可观察的算法。
• 通过围绕细化和基于区间的推理构建证明，为机械化验证提供基础。

提出的方法

• 该方法基于程序执行区间的区间推理，支持对表达式求值和跨步骤干扰的建模。
• 提出了一种新颖的区间上数据细化形式化，通过模拟谓词将抽象与粗粒度程序状态联系起来。
• 使用部分权限来推理共享内存访问，并确保并发执行期间的干扰自由。
• 该方法依赖行为细化与数据细化，证明具体程序实现了粗粒度抽象。
• 采用类似依赖/保证的规则以及拆分/合并属性，将证明义务分解为可管理的组件。
• 通过显式建模动态内存访问与指针更新，支持基于指针的程序。

实验结果

研究问题

• RQ1 是否可以在不识别低级代码中线性化点的情况下验证线性可观察性？
• RQ2 粗粒度抽象是否能简化对复杂并发数据结构的验证？
• RQ3 基于区间的推理是否能支持前向推理，并避免线性可观察性证明中对逆向推理的需求？
• RQ4 该方法是否可扩展至现有工具无法覆盖的非确定性线性可观察算法？
• RQ5 是否能够通过细化与区间语义实现并发程序的组合式验证？

主要发现

• 该方法成功验证了Michael和Scott队列以及Heller等人提出的粗粒度懒惰集合，二者均具有非局部线性化点。
• 通过使用基于区间的推理来预判干扰与未来行为，该方法避免了逆向推理。
• 粗粒度抽象使得线性化点的识别更加简单，显著降低了证明复杂度。
• 通过仔细建模指针更新与部分权限，该框架支持真正的并发与动态内存访问。
• 该方法适用于非确定性线性可观察程序，这些程序超出了[47]和[4]中工具的适用范围。
• 作者证明了从具体程序到粗粒度抽象的细化能够实现可扩展的验证，且未来具备机械化验证的潜力。