[论文解读] Putting Strong Linearizability in Context: Preserving Hyperproperties in Programs that Use Concurrent Objects.

Hagit Attiya, Constantin Enea|arXiv (Cornell University)|Jan 1, 2019

Distributed systems and fault tolerance被引用 6

一句话总结

本文提出强观察性约化作为一种广义框架，可在使用具体对象验证并发程序时保留超性质（如安全性质和概率分布）。证明了强观察性约化等价于前向模拟，并推广了强线性化，从而支持强线性化实现的垂直与水平组合。

ABSTRACT

It has been observed that linearizability, the prevalent consistency condition for implementing concurrent objects, does not preserve some probability distributions. A stronger condition, called strong linearizability has been proposed, but its study has been somewhat ad-hoc. This paper investigates strong linearizability by casting it in the context of observational refinement of objects. We present a strengthening of observational refinement, which generalizes strong linearizability, obtaining several important implications. When a concrete concurrent object refining another, more abstract object - often sequential - the correctness of a program employing the concrete object can be verified by considering its behaviors when using the more abstract object. This means that trace properties of a program using the concrete object can be proved by considering the program with the abstract object. This, however, does not hold for hyperproperties, including many security properties and probability distributions of events. We define strong observational refinement, a strengthening of refinement that preserves hyperproperties, and prove that it is equivalent to the existence of forward simulations. We show that strong observational refinement generalizes strong linearizability. This implies that strong linearizability is also equivalent to forward simulation, and shows that strongly linearizable implementations can be composed both horizontally (i.e., locality) and vertically (i.e., with instantiation). For situations where strongly linearizable implementations do not exist (or are less efficient), we argue that reasoning about hyperproperties of programs can be simplified by strong observational refinement of abstract objects that are not necessarily sequential.

研究动机与目标

• 为解决线性化在保留并发程序中的超性质（如概率分布和安全性质）方面的局限性。
• 形式化一种更强的约化关系，以确保在用具体并发实现替换抽象对象时，超性质的正确性。
• 在基于观察性约化的更广泛理论框架中，推广强线性化。
• 建立在使用具体并发对象进行程序验证时，超性质得以保留的条件。
• 为强线性化实现支持组合式推理——包括垂直（通过实例化）和水平（通过局部性）两种方式。

提出的方法

• 引入强观察性约化作为观察性约化的强化，以保留超性质。
• 将前向模拟定义为强观察性约化的表征，并证明其等价性。
• 通过将强线性化嵌入强观察性约化框架中，实现其推广。
• 证明强观察性约化蕴含迹性质和超性质（包括概率性和安全相关性质）的保留。
• 展示强观察性约化支持垂直组合（如抽象对象的实例化）和水平组合（如并发系统的模块化构建）。
• 主张即使在强线性化实现不可行或效率低下时，通过非顺序抽象对象的强观察性约化，仍可简化对超性质的推理。

实验结果

研究问题

• RQ1 线性化能否被扩展以在并发程序中保留超性质，如概率分布和安全性质？
• RQ2 是否存在一种形式化的约化关系，强于观察性约化，且能保留并发对象实现中的超性质？
• RQ3 强观察性约化与前向模拟之间有何关系？该等价性能否被形式化证明？
• RQ4 能否在一个支持组合式推理的更广泛理论框架中，推广强线性化？
• RQ5 在程序验证中使用非顺序抽象对象时，超性质在何种条件下可被保留？

主要发现

• 强观察性约化等价于前向模拟的存在，为该约化关系提供了形式化且可操作的表征。
• 强线性化被强观察性约化所涵盖，意味着它是更广泛框架中的一个特例。
• 强观察性约化支持强线性化实现的垂直与水平组合，支持模块化和可扩展的验证。
• 该框架允许通过推理其抽象对应物，对使用具体并发对象的程序中的超性质进行验证，即使这些抽象物是非顺序的。
• 当强线性化实现不切实际时，对抽象对象的强观察性约化仍可简化对并发程序中超性质的推理。
• 研究结果表明，超性质（如概率行为和安全策略）在强观察性约化下得以保留，解决了标准线性化的一个关键局限。