info6的博客

本文介绍了CATS——首个将反应式系统中因果关系研究自动化的工具，展示了其在手工实例、SYNTCOMP基准测试及因果草图绘制中的应用与评估。CATS基于先进的因果理论，支持对时间有界效果的原因推断，并通过增量式检查和草图探索实现高效因果验证。实验结果表明，CATS能在多数情况下快速找到精确原因，尤其适用于反例调试。尽管在性能上尚无法超越专用反例分析方法，但其理论完备性和通用性为未来因果合成研究提供了有力基础和实用基线。

本文介绍了CATS（Causal Analysis on Temporal Sequences）工具，一种用于时序序列上因果分析的自动化工具。CATS基于扩展至反应式系统的时序因果关系理论，支持使用QPTL和HyperQPTL逻辑进行原因检查与原因草图绘制。该工具能够自动验证给定属性是否为某系统行为的实际原因，并在草图模式下推理潜在原因，广泛应用于反例调试、系统解释与因果研究。文章详细解析了其理论基础、核心算法、工作流程及评估结果，展示了CATS在处理复杂时序系统中的有效性与可扩展性，并展望了未来在性能优化

本文介绍了一种名为RTAEval的Python框架，用于评估运行时保证（RTA）逻辑在不同场景下的性能。该框架支持定义智能体、不安全集、安全与不可信控制器，并通过仿真执行收集数据，实现对RTA切换逻辑的全面评估。文章详细说明了场景建模、RTA逻辑设计、数据收集流程及关键性能指标（如计算时间、距不安全集距离、碰撞时间、控制器使用率等），并通过自适应巡航控制、Dubins汽车和GCAS飞行器等多维多智能体场景验证其有效性。RTAEval具备良好的可扩展性，适用于快速原型化和可视化分析，未来可拓展至ASIF过滤方

本文介绍了AquaSense与RTAEval两个创新框架。AquaSense是一种用于现实世界概率程序的自动化敏感性分析系统，基于量化推理实现高效的参数敏感性插值，在连续模型上比现有工具快18.10倍，且对91%的连续参数保持高精度。RTAEval是一个低代码运行时保证（RTA）逻辑评估框架，支持灵活定义多代理场景，兼容多种模拟器，可快速评估不同控制器在复杂环境下的安全性与性能表现。两者分别在概率程序分析和自主系统安全保障方面展现出显著优势，具有广泛的应用前景，涵盖机器学习调试、金融医疗风险评估、自动驾驶及

AquaSense是一个用于概率程序自动化敏感性分析的高效工具，通过引入量化推理解决传统方法在处理连续分布时面临的积分难处理问题。它支持多种前端语言，能够分析现有工具难以处理的复杂模型，在连续和离散程序上均表现出优越性能。与基于符号推理的PSense相比，AquaSense可计算更多参数的敏感性，平均速度快18.10倍，且在91%的连续参数上能在40秒内以低于5%的误差完成高精度分析。该工具支持期望距离等多种敏感性度量标准，并提供灵活的时间-准确性权衡控制，适用于模型开发、优化和不确定性评估等多个阶段。

本文介绍了ppLTLTT工具，一种将纯过去线性时态逻辑（ppLTL）公式转换为时态测试器的有效方法，旨在扩展现有基于LTL的工具以支持更自然、简洁的规范表达。通过与pSlugs、pStrix和pLTL2TGBA等工具集成，实现了对LTL+pp的支持，并在arbiter等基准案例上进行了实验评估。结果表明该方法在小规模问题中表现良好，但在大规模场景下面临性能挑战。文章还探讨了其在嵌入式系统、网络协议和智能交通系统中的应用前景，并提出了未来优化算法、扩展工具链及融合AI技术的研究方向。

pymwp是一款用于分析C程序变量多项式增长界限的高效静态分析器，基于改进的mwp-flow技术与复杂的Relation数据结构，能够自动判断变量增长是否受限于多项式，并在存在指数增长时定位问题源。它支持C99语法子集，通过非确定性推导的内化处理提升分析效率，可在数秒内完成复杂函数的分析。实验表明，pymwp在50个基准测试中准确识别了多项式与无限增长行为，并能输出可解释的界限表达式。该工具设计为可集成、可扩展，适用于编译器链、验证系统及未来IDE实时反馈场景，具备良好的应用前景。

本文介绍了两个强大的程序分析工具：RTLola Playground和pymwp。RTLola Playground是一个基于Web的集成开发环境，利用WebAssembly和Web Workers技术，为流规范语言RTLola提供编辑、测试、调试和可视化分析功能，适合新用户快速上手和专家用户优化规范。pymwp是一个静态分析器，基于mwp-流演算自动计算C语言子集程序的多项式增长界限，能检测指数增长并提供可操作反馈。文章详细阐述了两者的原理、应用场景及优势，并展示了pymwp的分析流程与示例，强调它们在提

本文介绍了RTLola Playground——一个基于浏览器的RTLola集成开发环境，旨在简化运行时监控中形式化规范的编写、测试与调试。通过集成静态分析和可视化技术，该工具能够有效发现规范中的错误（如复制粘贴错误、偏移错误），缓解认知过载，并支持直观的结果展示与逐步执行调试。文章详细阐述了RTLola语言特性、前端分析流程、解释器架构以及Playground的组件设计与应用场景，涵盖快速测试、规范调试、复杂系统理解及教学实践。最后展望了模块系统、更多可视化方式及与其他开发工具集成等未来发展方向，展示了其

AutoKoopman是一个强大的自动化系统识别工具，利用Koopman算子实现对符号模型、黑盒系统和真实测量数据的高效线性化建模。该工具支持多项式、随机傅里叶特征和神经网络等多种可观测量类型，并结合网格搜索、随机搜索和贝叶斯优化等策略进行超参数自动调优，显著提升模型准确性与泛化能力。实验表明，其在多个基准系统上表现优异，尤其在F1tenth赛车等实际控制系统中实现了高精度在线控制应用。未来有望拓展至更复杂的工业与生物系统，推动系统识别与控制领域的发展。

本文介绍了在FPGAs上进行高级可执行模型自动验证的方法，利用有限状态机与Kripke结构实现高效、确定性的系统行为验证。同时重点阐述了AutoKoopman工具包，一个基于Python的自动化系统识别工具，通过Koopman算子理论将非线性系统转化为高维线性表示，并支持多种可观测变量（如随机傅里叶特征、多项式和神经网络）与自动超参数优化。该工具具备模块化设计和便捷函数接口，适用于符号系统、黑盒系统及实际工程系统的建模与分析。结合动态模式分解（DMD）等方法，AutoKoopman实现了对复杂系统动态的精确

本文提出了一种基于FPGA的高层可执行模型自动验证方法，通过引入LLFSM（低层有限状态机）和优化Kripke结构生成过程，有效缓解了传统UML到FPGA转换中的状态爆炸问题。利用快照语义固定小循环期间的输入输出值，并结合并行化Kripke结构生成器，在FPGA上实现了高效、准确的形式验证。以熔炉继电器为例，验证结果显示LLFSM模型的Kripke状态数相比UML减少了99.9%以上，显著提升了验证效率与语义一致性。

本文探讨了量子电路等价性快速检查与FPGA上高级可执行模型自动验证的前沿技术。基于克利福德门的经典模拟方法，新提出的量子电路等价性检查算法具有O(n·m)的时间复杂度，在处理大规模电路时显著优于QuSAT和Feynver。在FPGA领域，利用逻辑标记有限状态机（LLFSM）实现模型驱动开发，通过生成Kripke结构并结合模型检查器进行自动验证，确保了高级模型与可执行代码间的语义一致性。该方法有效避免了竞争条件，提升了系统可靠性。未来工作将拓展至非克利福德门电路及更复杂的FPGA模型验证场景。

本文介绍了一种高效检查Clifford门量子电路等价性的算法，基于稳定子态和Pauli群的共轭作用，通过模拟电路对生成元集的影响来判断两个电路是否等价。该方法具有O(m·n)的时间复杂度，利用懒初始化技术显著提升了大规模电路的处理效率。实验表明，该算法在性能上优于QuSAT和Feynver等现有工具，具备良好的稳定性与实用性，适用于量子电路优化与算法验证等场景。

本文介绍了两种高效算法：Event-DPOR用于事件驱动多线程程序的无状态模型检查，在冗余检查和轨迹探索方面表现优异；以及一种基于O(n·m)时间复杂度的确定性算法，用于验证仅含Clifford门的量子电路等价性，性能远超现有方法。文章分析了两种算法的原理、性能优势与应用场景，并探讨了未来拓展方向，展示了其在软件开发与量子计算领域的重要价值。

本文介绍了Event-DPOR算法在事件驱动程序无状态模型检查中的定制应用。该算法通过深度优先探索执行路径，结合竞争检测与反转机制，有效减少等价类冗余探索。文章详细阐述了算法的两个核心阶段：竞争检测与探索，并分析了done、wut和parkedWuS等关键数据结构的作用。通过与Optimal-DPOR、LAPOR等算法在多个基准测试（如buyers、prolific、plb等）上的对比，展示了Event-DPOR在处理事件驱动场景时的优越性，尤其在可扩展性和执行数量控制方面的优势。最后探讨了实现优化策略及未

本文介绍了无状态模型检查在事件驱动程序中的应用，重点阐述了Event-DPOR算法如何扩展Optimal-DPOR以有效处理消息间的竞争。通过引入happens-before顺序、happens-before前缀和弱初始集等核心概念，Event-DPOR能够精确识别并反转不同消息中事件的竞争关系，避免探索冗余执行路径。文章分析了传统方法的局限性，展示了Event-DPOR在处理消息序列化、控制流分支和跨消息依赖时的优势，并结合多个示例说明其构造唤醒序列与执行路径扩展的机制，从而显著提升模型检查的效率与覆盖率

本文探讨了关系抽象域的最小比较算法与Event-DPOR算法在事件驱动多线程程序验证中的应用。前者通过减少比较所需的变量数量和低迭代次数，提升抽象域分析的精度与效率；后者针对事件驱动特性优化模型检查，避免冗余探索，显著提高验证速度。文章分析了两种技术的优势、应用场景、面临的挑战及未来发展方向，为软件静态分析与并发程序验证提供了有力支持。

本文提出了一种最小化比较关系抽象域的方法，通过聚焦不变式中实际变化的部分，利用基于定点算法的共同变量集提取技术，提升关系不变式比较的精度与效率。实验表明，该方法能有效消除传统完整比较中的延续性精度高估问题，显著减少不可比较情况，并加快SMT求解速度，适用于程序分析与编译器优化等领域，为抽象域性能评估提供了更准确、高效的解决方案。

本文探讨了自动化属性导向自组合与关系抽象域的最小比较在程序验证和静态分析中的应用。自动化属性导向自组合技术克服了传统方法对用户依赖的缺陷，实现了更高效的程序等价性验证，适用于编程作业评估、语义对齐和编译器优化等场景。关系抽象域的最小比较通过固定点算法识别不变量中真正受影响的部分，提升了域间比较的精度，减少了携带效应和不可比情况。实验结果表明，该方法在Zones域和不同抽象域比较中均有效。未来研究方向包括组合空间优化、简洁证明生成及对复杂数据结构的支持。

本文探讨了自动化属性导向自组合（Pdsc）算法在程序验证中的局限性，并提出了一种改进方案。通过引入虚假性检查器和谓词合成器，新算法能够自动检测反例、生成必要谓词，克服了原算法依赖外部谓词且无法处理反例的问题。改进后的算法结合SyGuS、Z3量词消除和Craig插值三种谓词合成方式，在实验中表现出更强的适应性和有效性，尤其插值方法在多种基准测试中表现优异。与LLRÊVE工具的比较进一步验证了其可行性。未来将优化谓词合成策略并拓展应用场景。

本文探讨了属性导向自组合（Pdsc）技术在超安全（k-安全）属性验证中的应用，分析了其依赖用户提供的谓词集和缺乏反例搜索的局限性。针对这些问题，提出了一种改进的Pdsc算法，能够自动丰富谓词集以寻找证明，并在无法证明时尝试发现反例。文章介绍了三种获取新谓词的方法：基于语法引导合成（SyGuS）、量词消除（SMT求解器）和插值，并通过实验比较了它们在多个基准测试上的表现。最终展示了该方法在程序等价性和安全性验证中的有效性与可扩展性。

本文介绍了StHorn——一种用于求解约束Horn子句（CHC）的新方法，通过与Spacer和Eldarica等主流工具结合，展示了其在CHC-SAT问题上的优越性能。StHorn采用结构引导的启发式策略，将现有求解器作为黑箱使用，能够在不修改底层算法的前提下提升求解效率。实验表明，StHorn在线性和非线性CHC实例上均优于或补充了Spacer和Eldarica的能力，尤其在不可满足实例上表现突出。尽管在非线性场景中存在Amend过程耗时等问题，未来工作将聚焦于领域导向策略设计、语义提示增强以及技术的原生

本文介绍了一种基于结构引导的约束Horn子句（CHC）求解方法，通过构建CHC超图模型来捕捉问题结构，并利用Select和Amend过程实现增量式求解。该方法强调规则可满足性的重要性，结合最短非平凡超路径选择策略，有效缩小搜索空间。同时，通过解释修正与优化技术保留已有信息，提升求解效率。实验表明，该方法在不同求解器（如Spacer和Eldarica）上的实例均表现出良好的性能和扩展性，适用于多种规模的CHC问题求解。

本文介绍了一种名为 StHorn 的新型约束 Horn 子句（CHCs）求解技术，该技术通过结构引导的子集选择、增量使用满足解释和按需处理 CHCs 来提升求解效率。StHorn 构建诱导 CHC 超图以捕捉问题结构，并基于最短非平凡超路径选择子集进行迭代求解。通过维护和调整解释，StHorn 在缩小的状态空间中高效搜索解决方案。该方法实现了与现有 CHC 求解器（如 Spacer 和 Eldarica）兼容的通用框架，实验表明其能解决更多实例，显著提升了 CHC 求解性能。

本文介绍了Servois2在交换性条件合成中的改进，包括更高效的启发式方法（如poke2和mcMax）、自动项提取以及谓词格的应用。通过与原始Servois对比，评估了不同求解器、启发式和特性的组合性能，结果显示最佳配置平均加速达3.58×。案例研究表明，Servois2能有效应用于Veracity项目中的复杂交换块分析。此外，文章探讨了算法并行化、扩展模型计数使用及优化谓词格构建等未来研究方向。

本文介绍了Servois2在谓词处理和搜索启发式算法方面的多项优化，包括改进的谓词过滤、蕴含关系剪枝、自动生成谓词以及poke2和mcMax等新型启发式算法，显著提升了程序分析中的性能与表达能力。通过实验评估，Servois2在LIA、字符串和六边形刚性运动等基准测试中相比Servois实现了40%以上的性能提升。文章还分析了不同启发式算法的效果，并探讨了其在分布式系统和软件验证中的实际应用价值。

本文研究了利用最大割预测BDD操作内存需求的方法，并探讨了在外部内存环境下时间前向处理算法的优化。针对现有BDD工具如CAL和Adiar在小实例上性能不足的问题，分析了其局限性并提出改进方向。同时，重点介绍了在交换性合成方面的进展，通过改进谓词语义处理、引入poke2和mcMax搜索启发式、优化实现语言与SMT求解器支持，实现了Servois2工具，显著提升了性能。实验表明，新方法几何平均速度提升3.58倍，尤其在可高效模型计数的领域表现更优。结合组合策略，Servois2展现出更强的实用性与可扩展性。

本文提出利用最大i级切割来预测BDD和ZDD操作中的内存需求，解决传统方法在ZDD积构造中因节点重新出现导致的边界不合理问题。通过在Adiar算法中引入1级和2级切割的上界计算，结合自上而下与自下而上的扫描策略，实现了对辅助数据结构大小的精确估计。实验表明，该方法在中等规模实例上显著提升了性能，Adiar 1.2相比之前版本平均减少86.1%的计算时间，且1级切割在精度与开销之间取得了最佳平衡。未来可进一步优化小BDD处理、算法复杂度及支持多线程以提升整体效率。

本文探讨了如何利用有向无环图（DAG）的分层割理论来预测和优化二元决策图（BDD）操作中的内存需求。重点分析了1级和2级分层割在BDD Apply操作中的应用，并通过引入考虑终端弧的权重函数改进了最大割的上界估计。文章提出了多项定理与引理，用于更精确地计算BDD操作过程中中间结果的内存占用，从而实现高效的内存分配与算法性能提升。此外，还介绍了Adiar系统中基于优先队列的I/O高效处理机制，展示了理论在实际系统中的应用价值。

本文探讨了多项式zono体在非线性系统可达性分析等领域的应用及其交集检查的理论与实践难题，同时研究了BDD操作中内存需求的预测问题。针对Adiar在处理中等规模BDD时性能不佳的问题，引入i-级割概念并计算上界，实现了更高效的内存使用决策。文章还提出了动态调整策略和上界计算优化方向，展望了未来在算法效率提升与跨领域应用中的潜力。

本文分析了多项式 zonotope 交集检查的计算难点，指出其本质为 NP-难问题，源于依赖变量间的非线性耦合。通过将多项式 zonotope 拆分为独立部分和依赖部分，文章重点研究了依赖项带来的挑战，并提出过近似与拆分算法以进行有效逼近。针对算法可能不收敛的问题，引入 Hausdorff 距离量化误差，证明在循环拆分策略下，依赖矩阵范数逐步衰减，从而保证过近似集合的并集收敛到原始多项式 zonotope，为相关验证任务提供了理论支持。

本文探讨了线性时态逻辑（LTL）规范草图绘制与多项式 zonotope 交集检查两项关键技术。LTL-Sketcher 通过结合示例与草图显著提升了规范编写效率，相比 Texada 和 Flie 在完成能力和示例需求方面更具优势，且基于 SAT 的算法有效支持了复杂时态逻辑的推导。另一方面，多项式 zonotope 作为非凸集表示在机器人控制和安全验证中应用广泛，但其交集检查为 NP 难问题，现有算法存在过近似误差无界和分割后误差增加的风险；研究提出了收敛条件以确保算法可靠性。文章还展示了两项技术在实际场景

本文研究了线性时态逻辑（LTL）草图完成算法，提出并比较了两种算法：基于LTL学习的Algo1和基于增量SAT求解的Algo2。通过理论分析与实验评估，验证了LTL草图存在问题属于NP问题，并设计了将表构造问题转化为SAT可满足性问题的决策过程。实验表明，Algo2在运行效率和生成公式的简洁性方面优于Algo1，且所实现的工具LTL-Sketcher在与其他LTL挖掘工具（如Texada、Flie）的对比中展现出更强的草图完成能力。研究还探讨了启发式优化方法对性能的提升作用，并对未来改进方向进行了展望。

本文研究了线性时态逻辑（LTL）的规范草图绘制问题，提出了一种基于表格表示的NP算法来解决LTL草图存在性问题。首先回顾了基于模板填充、无结构信息学习和语法引导合成等相关技术，接着定义了LTL草图、输入样本及问题形式化表述。通过引入最终周期性字的性质和表格表示方法，分析了语义、一致性和后缀三大关键性质，并据此设计了一个可在多项式时间内验证的NP算法。最后总结了研究成果，并展望了算法优化、扩展应用与技术融合的未来方向。

本文介绍了两种创新的系统验证方法：轻量级超属性验证和线性时序逻辑（LTL）规范草图。前者通过智能采样与统计模型检查在马尔可夫决策过程上高效验证有界超属性，具备良好的可扩展性；后者允许工程师提供部分LTL公式（草图）和执行示例，由算法自动填充缺失内容，降低形式化规范编写的门槛。两种方法分别解决了传统验证中计算复杂度高和规范编写困难的问题，实验表明其在实际应用中具有高效性和实用性，未来可拓展至更复杂的属性与语言体系。

本文研究基于统计模型检查（SMC）的轻量级超属性验证方法，通过优化采样参数在有限预算下高效验证复杂系统的概率与非确定性行为。案例涵盖灰盒场景下的群体匿名性、非干扰性和状态不透明性，以及黑盒场景下的密码检查器侧信道攻击。实验表明该方法在减少资源消耗的同时保持良好精度，适用于大规模系统验证，并为信息安全与系统设计提供实践指导。

本文介绍了一种基于统计模型检查（SMC）的轻量级方法，用于验证包含概率选择和非确定性的系统中的超属性。通过在马尔可夫决策过程（MDP）中应用无量化和有界的HyperLTL公式，结合PLASMA的轻量级调度器采样与顺序概率比检验（SPRT），实现了对复杂系统中超属性的有效验证。该方法克服了传统精确方法可扩展性差和近似方法难以处理非确定性的局限，适用于网络安全、自动驾驶等高可靠性要求场景。文章详细阐述了技术原理、算法流程及实际操作步骤，并展望了未来在量词交替表达、算法优化和多领域拓展方面的研究方向。

本文综述了第21届自动验证与分析技术国际研讨会（ATVA 2023）的会议概况，并重点介绍了一项关于超属性轻量级验证的研究。该研究针对传统模型检查在处理超属性时面临的可扩展性和显式建模依赖问题，提出了一种基于统计模型检查（SMC）的方法，扩展了PLASMA模型检查器以支持对马尔可夫决策过程（MDPs）建模系统中未量化和有界HyperLTL属性的验证。研究还实现了对黑盒系统的支持，并通过多个领域的真实案例验证了方法的有效性与可扩展性。实验结果表明，该方法不受状态空间大小影响，具有良好的收敛性和实用性，为安全与