[论文解读] Verification for Reliable Product Lines

Maxime Cordy, Patrick Heymans+4 more|arXiv (Cornell University)|Nov 6, 2013

Advanced Software Engineering Methodologies被引用 5

一句话总结

本文提出特征离散时间马尔可夫链（FDTMCs）以在单一统一模型中对整个软件产品线的可靠性等概率非功能性属性进行建模与验证。提出三种验证技术：枚举法（逐产品模型检测）、参数法（符号化参数化）以及一种新颖的有界验证方法，该方法利用与特性相关的结构，通过一次探索即可验证所有产品，显著优于枚举法的效率。

ABSTRACT

Many product lines are critical, and therefore reliability is a vital part of their requirements. Reliability is a probabilistic property. We therefore propose a model for feature-aware discrete-time Markov chains as a basis for verifying probabilistic properties of product lines, including reliability. We compare three verification techniques: The enumerative technique uses PRISM, a state-of-the-art symbolic probabilistic model checker, on each product. The parametric technique exploits our recent advances in parametric model checking. Finally, we propose a new bounded technique that performs a single bounded verification for the whole product line, and thus takes advantage of the common behaviours of the product line. Experimental results confirm the advantages of the last two techniques.

研究动机与目标

• 为解决软件产品线（SPLs）中概率非功能性需求缺乏可扩展验证技术的问题。
• 使用统一的形式化方法对SPLs中的变体性和随机行为进行建模，以捕捉产品间的共性与差异行为。
• 开发高效的验证技术，避免逐产品分析，从而在产品数量增加时降低计算成本。
• 在特性感知的上下文中，通过概率计算树逻辑（PCTL）支持可靠性等属性的验证。
• 通过形式化分析支持SPLs中非功能性属性（如可靠性与成本）的优化。

提出的方法

• 引入特征离散时间马尔可夫链（FDTMCs），其中转移概率与特性配置相关的概率分布相关联。
• 使用概率分布定义特性如何修改转移概率，从而实现单个模型表示整个SPL。
• 应用三种验证技术：枚举法（分别对每个产品进行模型检测）、参数法（在特性编码模型上使用参数化模型检测）、有界法（通过特性感知的有界搜索进行单次探索）。
• 采用符号化与组合式模型检测技术，利用产品间共享的结构以减少状态空间爆炸。
• 使用PRISM进行枚举验证，并集成参数化模型检测以推导出属性满足的参数表达式。
• 提出一种新颖的有界验证算法，通过一次分析FDTMC模型，利用概率分布中的特性依赖关系，计算在用户指定精度范围内的近似结果。

实验结果

研究问题

• RQ1 是否存在一种统一的形式化方法，能够同时建模软件产品线中的变异性与随机行为，同时保持正确性与效率？
• RQ2 在可扩展性与精度方面，有界验证技术相较于枚举法与参数法的性能表现如何？
• RQ3 特性感知的模型检测在多大程度上可减少具有大量变体的大型SPL的验证时间？
• RQ4 所提出的方法能否有效验证SPL中如可靠性等概率非功能性属性？
• RQ5 在使用概率分布进行有界验证时，精度与效率之间的权衡如何？

主要发现

• 枚举法需对每个产品单独验证，当产品数量增加时成本急剧上升，尤其在超过100个变体时变得不可行。
• 参数法通过符号化编码依赖特性的概率并按产品评估，显著降低了验证成本，相比枚举法有明显改进。
• 所提出的有界验证技术性能最佳，仅需对FDTMC模型进行一次探索，通过利用共享结构与特性感知的概率分布，高效计算近似结果。
• 在扩展技术示例上的实验结果表明，有界方法在可扩展性方面优于枚举法与参数法，尤其适用于大型产品线。
• 有界方法可在用户定义的精度范围内提供近似结果，适用于大型SPL的早期阶段分析。
• 研究结果表明，特性感知的模型检测可显著减少验证时间，同时保持准确性，尤其在产品数量增加时优势明显。