[发明专利]基于元学习模型的可满足性模理论求解器的算法

说明书

本发明提供一种基于元学习模型的可满足性模理论求解器的算法，属于软件工程领域。该方法首先使用多目标演化算法生成多样性SMT实例；再通过元学习模型自动学习SMT实例特征和求解器之间的映射关系以形成元知识库；最终当输入新的SMT实例时，通过已学习到的先验知识预测适合该实例的最佳SMT求解器。本发明生成的SMT实例可以有效分析不同求解器的优势和局限性，并通过学习不同求解器的性能差异，自动且高精度地为给定SMT实例选择一个性能最佳的SMT求解器，极大的节省了时间和资源。

技术领域

本发明属于软件工程领域，涉及一种求解器的算法选择，具体为基于元学习模型的可满足性模理论(Satisfiability Modulo Theories，SMT)求解器的算法选择。

背景技术

随着SMT背景理论的逐渐成熟及SMT问题判定算法的不断发展，SMT求解器已经广泛应用于软件工程、人工智能等领域，详见参考C S,Visser W.A survey ofnew trends in symbolic execution for software testing and analysis[J].International journal on software tools for technology transfer,2009,11(4):339-353和Katz G,Barrett C,Dill D L,et al.Reluplex:An efficient SMT solver forverifying deep neural networks[C]//International Conference on Computer AidedVerification.Springer,Cham,2017:97-117。但是不同的求解器在不同类型的问题实例上有性能差异，用户须依次执行所有可供选择的求解器才能确定哪种求解器最适合其特定情况，这导致了时间和资源的消耗，详见由Scott J,Niemetz A,Preiner M,et al.MachSMT:AMachine Learning-based Algorithm Selector for SMT Solvers[J].Tools andAlgorithms for the Construction and Analysis of Systems,2020,12652:303。因此，最佳SMT求解器的选择变得迫切且重要。SMT求解器的算法选择定义如下：给出一个需要解决的特定SMT实例以及一组用于解决该问题的SMT求解器，找到实例特征和求解器之间的映射关系，从而预测哪种求解器算法在该实例上表现最佳。对于SMT实例，是指决定逻辑公式的可满足性的问题，以一阶理论的组合表示。对于SMT求解器，是指一种用于确定一阶逻辑公式在组合理论背景下(例如位向量，浮点数，整数，实数，字符串，数组及其组合)可满足性的工具，大多数SMT求解器都支持SMT-LIB语言标准。

SMT求解器的算法选择可以解决不同求解器具有性能差异的问题，使用户在面对新的SMT实例时可以更快更准确的找到适合该实例的最佳求解器。现有研究大都是生成需较长时间才能求解出的SMT实例，实例难度不足以区分不同算法性能，详见Blotsky D,MoraF,Berzish M,et al.Stringfuzz:A fuzzer for string solvers[C]//InternationalConference on Computer Aided Verification.Springer,Cham,2018:45-51.，且已有的算法性能评价严重依赖基准实例，存在过拟合的风险；另一方面，现有的SMT求解器的算法选择工具虽然已具备较高的准确率，但是仍然存在着泛化性较差、难以学习和适应新的SMT实例、较为依赖大规模数据等问题。

发明内容

为解决上述问题，本发明提供了一种基于元学习模型的可满足性模理论求解器的算法选择方法。本发明通过多目标演化算法生成多样性SMT实例，随后基于元学习思想对SMT求解器进行算法选择。

本发明的技术方案：

一种基于元学习模型的可满足性模理论求解器的算法选择方法，步骤如下：