[论文解读] SAT-Based Synthesis Methods for Safety Specs

Roderick Bloem, Robert Koenighofer+1 more|arXiv (Cornell University)|Nov 14, 2013

Formal Methods in Verification参考文献 19被引用 9

一句话总结

本文提出基于SAT与QBF的有限状态系统合成方法，针对安全规范，利用学习、模板和EPR约化技术，避免BDD可扩展性限制。所提方法，尤其是结合增量求解与可达性优化的SAT学习方法，在关键基准测试中优于BDD与先前工作，通过并行化实现超线性加速，并在复杂设计（如桶移位器）上实现数量级提升。

ABSTRACT

Automatic synthesis of hardware components from declarative specifications is an ambitious endeavor in computer aided design. Existing synthesis algorithms are often implemented with Binary Decision Diagrams (BDDs), inheriting their scalability limitations. Instead of BDDs, we propose several new methods to synthesize finite-state systems from safety specifications using decision procedures for the satisfiability of quantified and unquantified Boolean formulas (SAT-, QBF- and EPR-solvers). The presented approaches are based on computational learning, templates, or reduction to first-order logic. We also present an efficient parallelization, and optimizations to utilize reachability information and incremental solving. Finally, we compare all methods in an extensive case study. Our new methods outperform BDDs and other existing work on some classes of benchmarks, and our parallelization achieves a super-linear speedup. This is an extended version of [5], featuring an additional appendix.

研究动机与目标

• 为克服基于BDD的反应式系统合成在可扩展性方面的局限性。
• 开发高效、基于SAT与QBF的合成方法，避免在复杂数据路径设计中出现BDD爆炸。
• 探索替代表示方法——学习、模板与EPR——以计算安全合成中的获胜区域。
• 整合可达性信息与增量求解，以加速合成过程。
• 在多样化基准上评估并比较这些新方法与BDD及先前工作的性能。

提出的方法

• 一种基于学习的方法通过迭代识别并消除失败状态，使用QBF求解器计算获胜区域。
• 一种优化的SAT变体将QBF求解器替换为两个增量SAT求解器，提升性能并支持不可满足核心的使用。
• 通过受IC3启发的增量归纳，利用可达性信息引导学习过程，减少搜索空间。
• 一种基于模板的方法固定获胜区域的结构形式，并通过单次QBF查询计算其结果。
• 通过约化到有效命题逻辑（EPR），实现在不固定模板结构下的合成。
• 一种并行化策略结合多种学习变体与求解器，实现在选定基准上的超线性加速。

实验结果

研究问题

• RQ1 基于SAT与QBF的方法能否在从安全规范合成有限状态系统方面优于BDD？
• RQ2 结合可达性优化的增量SAT求解在加速合成方面效果如何？
• RQ3 基于模板的方法是否通过单次QBF查询实现优于迭代学习的性能？
• RQ4 EPR约化能否在不施加结构假设的情况下实现可扩展合成？
• RQ5 不同合成方法在多样化基准类别中的性能特征如何？

主要发现

• 结合增量求解与可达性优化的SAT学习方法（SGM）在大多数基准上优于基于QBF的变体（QAGB），包括桶移位器等复杂数据路径设计。
• SAT学习方法的并行化通过结合不同求解策略与变体，实现了超线性加速。
• 在桶移位器基准上，SAT与QBF方法在几分之一秒内完成，而BDD因重排序开销导致超时或内存耗尽。
• 基于模板的合成在组合逻辑设计（如加法器与乘法器）上表现极为出色，可在数秒内找到最小CNF表示。
• 尽管理论上有吸引力，基于EPR的约化在实践中扩展性表现不佳，且被其他方法超越。
• 无单一方法在所有基准上占优；相反，不同方法在不同类别中表现优异——表明采用互补技术组合是最佳策略。