[论文解读] Worst-Case Execution Time Calculation for Query-Based Monitors by Witness Generation

Márton Búr, Kristóf Marussy+2 more|arXiv (Cornell University)|Feb 5, 2021

Real-Time Systems Scheduling参考文献 70被引用 4

一句话总结

本文提出了一种面向实时人机系统中基于查询的运行时监控器的语义感知最坏情况执行时间（WCET）分析方法。通过将低层级定时分析与图求解器相结合，该方法生成能够最大化监控器执行时间的见证输入模型，从而获得安全且精确的WCET估计——在真实实时硬件上通过aiT和OTAWA进行实验验证，结果表明其精度优于传统方法。

ABSTRACT

Runtime monitoring plays a key role in the assurance of modern intelligent cyber-physical systems, which are frequently data-intensive and safety-critical. While graph queries can serve as an expressive yet formally precise specification language to capture the safety properties of interest, there are no timeliness guarantees for such auto-generated runtime monitoring programs, which prevents their use in a real-time setting. While worst-case execution time (WCET) bounds derived by existing static WCET estimation techniques are safe, they may not be tight as they are unable to exploit domain-specific (semantic) information about the input models. This paper presents a semantic-aware WCET analysis method for data-driven monitoring programs derived from graph queries. The method incorporates results obtained from low-level timing analysis into the objective function of a modern graph solver. This allows the systematic generation of input graph models up to a specified size (referred to as witness models) for which the monitor is expected to take the most time to complete. Hence the estimated execution time of the monitors on these graphs can be considered as safe and tight WCET. Additionally, we perform a set of experiments with query-based programs running on a real-time platform over a set of generated models to investigate the relationship between execution times and their estimates, and compare WCET estimates produced by our approach with results from two well-known timing analyzers, aiT and OTAWA.

研究动机与目标

• 为实时安全关键系统中基于数据驱动、基于查询的运行时监控器解决缺乏安全且精确的WCET估计问题。
• 克服传统静态WCET分析的局限性，即未能利用输入模型中的领域特定语义信息。
• 生成能够最大化监控器执行时间的输入图模型（见证模型），以实现更紧致的WCET边界。
• 在真实实时平台上验证该方法，并将其WCET估计与aiT和OTAWA等成熟工具进行比较。
• 通过提供形式上正确且实用的定时保证，使表达性强、基于图查询的监控器能够在硬实时系统中部署。

提出的方法

• 将基于IPET的工具（如aiT、OTAWA）的低层级定时分析结果整合到现代图求解器的目标函数中。
• 利用求解器系统性地生成最大至指定大小的输入图模型（见证模型），以最大化监控器的预期执行时间。
• 在优化过程中引入关于输入数据的领域特定约束和语义信息。
• 采用静态分析与模型生成相结合的混合方法，以生成紧致的WCET估计。
• 不仅为复杂查询，还为随机图结构生成见证模型，以测试最坏情况行为。
• 通过在真实实时平台上测量实际执行时间，并与aiT和OTAWA的估计结果进行比较，验证结果。

实验结果

研究问题

• RQ1 见证模型生成能否为基于查询的运行时监控器产生安全且精确的WCET估计？
• RQ2 将低层级定时数据与高层语义约束相结合，如何提升WCET估计的精度？
• RQ3 生成的见证模型在实践中是否始终导致最长的观测执行时间？
• RQ4 所提方法的WCET估计与aiT和OTAWA等成熟工具的估计相比如何？
• RQ5 在复杂查询中，部分输入数据和内存布局建模在多大程度上能提升WCET精度？

主要发现

• 所提方法在所有实验中均一致生成了表现出最长执行时间的见证模型，表明这些模型有效代表了最坏情况输入场景。
• 所提方法的WCET估计显著优于标准静态分析，相较于基线工具，高估程度明显降低。
• 当内存布局差异影响运行时性能时，该方法在高精度模式下优于aiT，因为aiT的估计基于单一固定内存布局。
• OTAWA的估计精度低于所提方法，尤其在具有动态控制流的复杂查询上表现更差。
• 该方法表明，将语义信息与低层级定时数据结合用于模型生成，可获得比传统方法更精确的WCET边界。
• 结果表明，见证模型生成是实现数据密集型实时监控系统中紧致WCET边界的一种可行且有效策略。