[论文解读] The Probabilistic Model Checker Storm (Extended Abstract)

Christian Dehnert, Sebastian Junges+2 more|arXiv (Cornell University)|Oct 27, 2016

Software Testing and Debugging Techniques参考文献 26被引用 8

一句话总结

Storm 是一个高性能、可扩展的概率模型检测器，支持离散时间与连续时间的马尔可夫模型，包括 DTMC、CTMC、MDP 和 MA，并集成奖励结构。它采用基于稀疏矩阵和 MTBDD 的模块化引擎，利用高性能求解器（如 Gurobi、Z3、CUDD），并支持多种输入语言（如 PRISM、JANI 和 GSPN），实现精确算术运算，支持参数化验证和概率反例等高级分析。

ABSTRACT

We present a new probabilistic model checker Storm. Using state-of-the-art libraries, we aim for both high performance and versatility. This extended abstract gives a brief overview of the features of Storm.

研究动机与目标

• 开发一个高性能、模块化的概率模型检测器，支持广泛的模型类型和分析技术。
• 通过集成最先进的求解器和数据结构，实现高效可扩展的概率系统验证。
• 支持高级验证任务，如参数化模型检查、概率反例生成和容许调度器合成。
• 在一个统一可扩展的框架中统一支持多种建模语言（PRISM、JANI、GSPN、cpGCL）和 DFT。
• 提供精确算术和统计模型检查能力，以提升准确性和通用性。

提出的方法

• Storm 使用两种主要的内存内表示方式：小到中等规模模型使用稀疏矩阵，大规模系统使用多终端 BDD（MTBDD）。
• 它提供多种验证引擎——稀疏、学习、dd 和混合引擎——每种均针对特定的模型特征和操作进行了优化。
• 该工具集成了模块化求解器架构，支持线性方程、贝尔曼方程、(M)ILP 和 SMT 求解，通过 Gurobi、Z3、CUDD 等高性能库实现。
• Storm 支持符号化输入格式，包括 PRISM、JANI 和 GSPN，通过直接建模和 JANI 编码原生支持广义随机 Petri 网。
• 它利用 CArL 库实现精确算术运算，用于参数化模型中的有理函数操作，避免浮点近似。
• 系统提供 C++ API 以支持性能关键的应用，以及 Python API 以实现快速原型设计和集成。

实验结果

研究问题

• RQ1 如何设计概率模型检测器的架构，以在高性能、可扩展性和模块化之间取得平衡？
• RQ2 哪些数据结构组合（稀疏矩阵、MTBDD）与求解器组合（SMT、MILP、线性求解器）能够实现对多样化模型类型的高效验证？
• RQ3 统一框架能否有效支持异构建模语言（如 PRISM、JANI、GSPN 和 DFT）的同时保持性能？
• RQ4 与浮点方法相比，参数化模型检查中的精确算术在准确性和性能方面有多大提升？
• RQ5 Storm 的模块化设计如何支持高级验证技术的实现，如概率反例和容许调度器生成？

主要发现

• Storm 在动态故障树（DFT）分析中优于现有竞争工具，展现出在该特定领域更高的可扩展性和效率。
• 通过 CArL 库集成精确算术，实现了对离散时间模型的精确参数化验证，显著优于现有工具在此任务上的表现。
• Storm 的模块化求解器架构支持无缝集成高性能库（如 Gurobi、Z3、CUDD），可针对不同任务选择最优求解器，避免许可证冲突。
• 混合引擎结合 MTBDD 和稀疏矩阵，在某些模型类别中性能优于纯 MTBDD 或稀疏矩阵方法。
• 通过直接建模和 JANI 编码对 JANI 格式和 GSPN 的支持，使 Storm 成为首个原生支持所有广义随机 Petri 网模型的工具。
• Python API 支持快速原型设计并可访问高性能 Storm 组件，而 C++ API 支持低级性能关键型应用。