verap verification approch e de syst mes probabilistes n.
Download
Skip this Video
Loading SlideShow in 5 Seconds..
VERAP: VERification Approchée de systèmes Probabilistes PowerPoint Presentation
Download Presentation
VERAP: VERification Approchée de systèmes Probabilistes

Loading in 2 Seconds...

play fullscreen
1 / 36

VERAP: VERification Approchée de systèmes Probabilistes - PowerPoint PPT Presentation


  • 72 Views
  • Uploaded on

VERAP: VERification Approchée de systèmes Probabilistes. Michel de Rougemont Université Paris II & LRI http://www.lri.fr/~mdr/verap/. Equipes de Recherche. Université Paris-Sud Algorithmes et Complexité F. Magniez M. de Rougemont M. Santha M. Tracol (thésard depuis 2007)

loader
I am the owner, or an agent authorized to act on behalf of the owner, of the copyrighted work described.
capcha
Download Presentation

PowerPoint Slideshow about 'VERAP: VERification Approchée de systèmes Probabilistes' - biana


An Image/Link below is provided (as is) to download presentation

Download Policy: Content on the Website is provided to you AS IS for your information and personal use and may not be sold / licensed / shared on other websites without getting consent from its author.While downloading, if for some reason you are not able to download a presentation, the publisher may have deleted the file from their server.


- - - - - - - - - - - - - - - - - - - - - - - - - - E N D - - - - - - - - - - - - - - - - - - - - - - - - - -
Presentation Transcript
verap verification approch e de syst mes probabilistes

VERAP: VERification Approchée de systèmes Probabilistes

Michel de Rougemont

Université Paris II & LRI

http://www.lri.fr/~mdr/verap/

equipes de recherche
Equipes de Recherche
  • Université Paris-Sud
    • Algorithmes et Complexité
      • F. Magniez
      • M. de Rougemont
      • M. Santha
      • M. Tracol (thésard depuis 2007)
      • 2 Nouveaux thésards en 2009: X. Zeitoun et C. Konrad
    • Test formel/Parallélisme
      • M.C. Gaudel
      • T. Hérault
      • S. Peyronnet
      • F. Zaidi
  • Université Paris VII: Logique mathématique
      • A. Durand
      • R. Lassaigne
sujets

Sujets

Systèmes probabilistes:

Chaines de Markov étiquetées

MDP: Markov Decision Processes

Réseaux de capteurs

Vérification approchée:

Test de propriété

Black-Box Checking

Conformance Testing

MC probabiliste

3

slide5

III

I

I

II

I

I

5

t ches et fonctionnement de verap

Tâches et Fonctionnement de Verap

AD: Approximate Distance.

AVP: Approximate Verification of a Property.

EPE: Estimation of the Probability by approximate Enumeration.

ABCT: Approximate Black-Box and Conformance Testing.

ST: Streaming Testers.

Fonctionnement:

Rdv toutes les 2 semaines,

Workshop tous les trimestres.

6

slide7

Plan

AD et AVP: Approximate Verification of a Property.

Système Markovien: approximation de la probabilité de satisfaire une formule,

MDP (non déterminisme et probabilités): approximation sur les traces.

Réseaux de capteurs: représentation compacte (démo)

EPE et ABCT: Approximate Black-Box and Conformance Testing.

ST: Streaming Testers.

7

i chaines de markov et mdps avp

I. Chaines de Markov et MDPs [AVP]

Vérifier:

Pr[Après chaque a il y a un b]>0.9 ? Pour toute stratégie,

Pr[Densité de a >0.3 ]=1? Pr[Après chaque a il y a un b]>0.9 ? Pr[Densité de a >0.3 ]=1?

σ(t)=b, σ(v)=b

8

1a v rification probabiliste classique
1a. Vérification probabiliste classique

Système

(représentation

Succincte)

Modèle

Model

Checker

probabiliste

Proba

p

Propriété

ou suite

d’actions

Formule

ou trace

  • Input:
  • chaîne de Markov étiquetée (avec actions)
  • formule temporelle ou trace
  • Output:
  • probabilité de satisfaction de la formule ou de la trace
  • Complexité: polynomiale dans la taille du modèle (explosion combinatoire)

VERAP

sch ma probabiliste d approximation
Schéma probabiliste d’approximation

Générateur aléatoire de chemins

Formule ou trace

Paramètres e,∂

Schéma d’approximation

A

Pr[(p-e) ≤ A ≤ (p+e)] ≥ 1 - ∂

e : paramètre d’approximation (erreur absolue)

∂ : paramètre de confiance (algorithme probabiliste)

Le schéma est pleinement polynomial si le temps de calcul est poly(|input|, 1/e, log (1/∂))

Le générateur aléatoire n’utilise qu’une représentation succincte du système

VERAP

slide11

Approximate Probabilistic Model CheckerRichard Lassaigne and Sylvain Peyronnet (2008) Probabilistic verification and approximation.Annals of Pure and Applied Logic, 152(1-3):122-131.

Méthode:

  • génération aléatoire de chemins de longueur k à partir d’une représentation succincte
  • estimation de type Monte-Carlo avec borne polynomiale (Chernoff) sur la taille de l’échantillon

Résultats:

  • approximation de la probabilité de satisfaction de propriétés bornées en temps polynomial
  • approximation de la probabilité de satisfaction de propriétés non bornées (accessibilité, sûreté) en espace logarithmique
  • approximation de la probabilité d’une trace d’exécution en temps polynomial

VERAP

distances entre syst mes probabilistes ad
Distances entre Systèmes probabilistes [AD]

Métriques de bisimulation:

  • permettent de mesurer le degré d’équivalence entre deux modèles probabilistes
  • l’équivalence considérée est la bisimulation sur les états
  • définies par J. Desharnais et al.
  • obtenues par point fixe à partir de la métrique de Kantorovich

Métriques de traces

  • Equivalence exacte de Tzeng est polynomiale
  • Equivalence approchée est difficile

đ-distance

  • Statistiques de processus ergodiques
  • Lien avec l’approximation sur les mots

VERAP

1b markov decision processes avp transitions non d termistes et probabilistes
1b. Markov Decision Processes [AVP] transitions non détermistes et probabilistes :

S : Etats :s,t,u,v

Σ: actions : a,b,c

P(u |t,b)=0.5

Stratégie σ résoud le non determinisme.

Exemple: σ(t)=b, σ(v)=b

Exécution: s,a,t,b,u,a,v

Trace: aba

strat gies
Stratégies σ

SD: σ(t)=b, σ(v)=c

Trace 1: abac ab abac ab …….

Trace 2: ab abac ab abac…….

HR: dépendant de l’historique et Randomisées,

MR(k): Memoire k, Randomisées

SD: Stationaires Déterministes

MDP communiquant

r sultat classique k 1
Résultat classique: k=1

Fréquence Etat-action :

Pour une classe K de stratégies:

Theorem (Puterman, Derman, Tsitsiklis )

Pour un MDP communiquant,

statistiques uniformes k gram
Statistiques uniformes: k-gram

W=001010101110 longueur n,

u.stat: densité des sous-mots de longueur k, n-k+1 shingles

16

generalisation aux statistiques d ordre k
Generalisation aux statistiques d’ordre k

Theorem: Pour un MDPcommuniquant:

H

u.statk

existence d une strat gie
Existence d’une stratégie

Input: MDP, wn ,ε, λ

Theorem: Existence d’une stratégie est PESPACE dure, mais testable.

(M. de Rougemont and M. Tracol (2009) Statistical Analysis for Probabilistic Processes. In IEEE Logic In Computer Science. LICS 2009)

Tester: Sample wn :

Estimate the dist to H (linear program)

H

Y(w)

testabilit d une propri t
Soit F une propriété sur une classe K de structures U:

Un ε -testeur pour F est un algorithme probabiliste A tel que:

Si U |= F, A accepts

If U is ε far from F, A rejects with high probability

F is testable if there is a probabilistic algorithm A such that

A is an ε -tester for all ε

Time(A) is independent of n=size(U).

Robust characterizations of polynomials, R. Rubinfeld, M. Sudan, 1994

Property Testing and its connection to Learning and Approximation. O. Goldreich, S. Goldwasser, D. Ron, 1996.

Tester usually implies a linear time corrector. (ε1, ε2)-Tolerant Tester

Testabilité d’une propriété

19

mdps g n raux
MDPs généraux

Union de polytopes: chaque H peut-être défini par un programme linéaire.

Valeur seuil pour chaque composante.

H2: .6

H1: .4

equivalence de mdps
Equivalence de MDPs

Decider si les Polytopes sont proches avec des seuils proches.

Tester d’Equivalence : discrétiser les polytopes sur une grille de rayon ε. Verifier l’inclusion mutuelle.

Distance entre deux MDPs: distance géométrique.

ii approximate black box and conformance testing

II. Approximate Black-Box and Conformance Testing

ABCT: Approximate Black-Box and Conformance Testing.

Identifier une chaine de Markov, à partir d’un run ou de statistiques?

Identifier un MDP?

Model

Model Checking

Conformance Testing

P

IUT

Black Box Checking

22

conformance testing

Conformance Testing

Tester un critère de couverture:

Couvrir toutes les arêtes d’un graphe donné de manière succincte (programme C) ?

EPE: Estimation of the Probability by approximate Enumeration

Peut-on énumérer 99% des solutions avec un délai constant?

23

random walks in control graphs
Random Walks in control graphs

Marie-Claude Gaudel, Alain Denise, Sandrine-Dominique Gouraud, Richard Lassaigne,

Johan Oudinet and Sylvain Peyronnet (2008) Coverage-biased Random Exploration of Models.

Electronic Notes in Theoretical Computer Science, 220(1):3-14.

  • A random walk in the state space of a “model” (in a control graph, in a transition system etc) is

a sequence of states s0, s1, …, sn such that si is chosen uniformly at random among the successors of the state si-1,

  • It is easy to implement and it only requires local knowledge of the graph.
  • Numerous applications in
    • Testing (protocols [Mihail et Papadimitriou 1994], etc)
    • Simulation (Monte-Carlo, etc)
    • Model-checking ([Grosu 2004])
  • In some variants, the choice among the successors

may be biased.

drawback of random walks

d

c

a

b

e

f

Drawback of random walks

The resulting coverage is

dependent on the topology…

Classical random walks, length 3:

Pr(a; c; d) = 0.5 0.250.25 = 0.03125

Pr(b; e; f) = 0.5

Uniform random sampling of traces, length 3:

Pr(a; c; d) = Pr(b; e; f) = 0.1

counting n paths in a graph

v

v

.

.

.

Counting n-paths in a graph

Given any vertex v, let lv(k) be the number of paths of length k that start from v

  • we are on vertex v with m successors v1, v2, . . . , vm
  • condition for uniform path exploration: choose vi with probability lvi (k-1)/lv(k)
counting labelled combinatorial structures
Counting labelled combinatorial structures
  • Decomposable combinatorial structures
    • Atoms
    • Constructions : +, , SEQ, PSET, MSET, CYC
    • Cardinality constraints: SEQ≤3 , etc
  • Let a combinatorial class C, which is decomposable,

Explicit formula for |Cn| => Uniform drawing in Cn

    • Enumeration based on generating functions
  • Theorem [Mainly, Flajolet & al., 1994] :

The counts {Cj|j= 0,…,n} can be computed in O(n 1+) arithmetic operations.

Drawing UAR an element of size n is O(n.log n) in the worst case (and O(n) in our simple case)

uniform generation of paths of length n

d

c

a

b

e

f

Uniform generation of paths of length n
  • Given n
  • lv(0) = 1
  • for k s.t. n ≥ k > 0,
  • Preprocessing:
  • Computation of the lv(k),
  • for all k ≤ n islinear in n
  • but with big numbers… 
  • Drawing is linear in n too.
  • Space requirement: n  |G|
main results
Main results
  • Experimental assessment of this method and of its limits (up to ± 10000 states, length ± 10000)
  • Uniform generation of paths in very large models:
    • Given a model described as a set of concurrent LTS/FSM/IOTS it is possible to get (a very good approximation of) the number of traces => global uniform random walks,
      • without building the global model
      • using local uniform drawing of paths in the component LTS
  • Combination of weaker coverage criteria (transitions, states, …) and random walks
    • Coverage-biased random walks, “randomised coverage satisfaction”
perspectives
Perspectives
  • Counting paths makes it possible to combine random exploration and coverage criteria (testing, model-checking)
  • Significant results for drawing paths UAR in concurrent models
    • work remains to be done on:
    • partial synchronisations
    • typology of concurrent architectures and synchronisation patterns
    • partial order reduction
  • First results on “coverage satisfaction” assessment and improvement for randomised model-based testing
iii streaming testers

III. Streaming Testers

Streaming vs Property testing

Validity for XML streams

Checking wellformedness

k passes implique espace in n1/k+1: optimal (article en préparation)

31

testeurs de flux xml

Testeurs de Flux XML

Validité Approchée de Flux XML

Huang Cheng, Li Jun and Michel de Rougemont (2008) Approximate validity of XML Streaming Data. In 9th International Conference on Web-age Information Management.

Maintenir la décomposition de Rabin d’un arbre ordonné de degré arbitraire

Généralisation de k-grams

32

d mo avp
Démo AVP

http://www.lri.fr/~mdr/verap/

conclusion
Conclusion

1. AVP,AD: Testeurs de systèmes probabilistes

Approximate Probabilistic Membership

Approximate Equivalence

2. Black-Box Checkingand Approximate Enumeration

3. Streamings Testers

VERAP: http://www.lri.fr/~mdr/verap/

34

equivalence de trace
Equivalence de trace

Chaîne de Markov étiquetée: M=(S, A , p0 , P)

  • S espace des états, A ensemble d’actions, p0 distribution de probabilités initiale
  • P: SxAxS → [0,1] fonction de transition probabiliste

Distribution sur les traces:

  • Si σ = (s0,a1,s1,…,an,sn) est un chemin fini, alors μ(σ) = p0(s0) . ∏i=1nP(si-1 ,ai, si)
  • La distribution sur les tracesPM: A* → [0,1] est définie par PM(x) = ∑ { trace(σ)=x}μ(σ)
  • Pour chaque n, la restriction de PM à An est une distribution de probabilités

Equivalence de trace:

  • 2 chaînes de Markov M et N avec ensemble d’actions A sont équivalentes

si pour toute trace x, PM(x) = PN(x)

  • l’équivalence de 2 chaînes de Markov étiquetées peut être décidée en temps polynomial

(conséquence de l’algorithme de Tzeng sur les automates probabilistes)

VERAP

35

distance
đ-distance

Métrique sur la classe des processus ergodiques stationnaires:

  • définie par B. Ornstein et D. Weiss
  • candidate pour distinguer 2 processus ergodiques à partir de l’observation de chemins finis échantillonnés pour chacun des processus
  • l’entropie est continue relativement à cette métrique

Propriété fondamentale des processus ergodiques:

la distribution théorique des suites de longueur k peut être déterminée par glissement d’une fenêtre de longueur k et par comptage des fréquences relatives le long d’un chemin échantillonné

Problème (travail en cours):

approximer cette distance pour les chaînes de Markov

VERAP

36