【系统分析与验证笔记】Data-Dependent Systems和Program Graph讲解

有一个自动售货机（Beverage Vending Machine），现在需要设计一个模型，计数苏打水（soda）和啤酒（beer）的数量，如果自动售货机是空的，则返回插入的硬币（coin）

• Data-Dependent Systems和TS模型不同的是，这里用位置（Location）替换TS的状态，用转移条件（Conditional transition）替换TS的转换关系。

对于自动售货机：

• 状态： start, select
• 条件转移：
  1. 从初始位置投入硬币后，转变为等待选择饮料位置
     $$start\stackrel{ture:coin}{\hookrightarrow }select$$
  2. 从初始位置填满苏打和啤酒后，位置仍然为初始位置
     $$start\stackrel{ture:ture:refill}{\hookrightarrow }start$$

start表示售货机处于初始位置
select表示售货机处于已完成投币，等待选择饮料的位置

转移条件$g:\alpha$

在自动售货机ture:coin和ture:refill，他们是转移条件，表示为$g:\alpha$

• $g$表示一个布尔状态
• $\alpha$表示一个动作，只有当$g$为true的时候，才会执行动作$\alpha$，否则什么也不会执行

我们可以再看一些其他的条件转移过程：

1. 当苏打饮料的数量大于0的时候，执行sget动作获取苏打饮料
   $$start\stackrel{nsoda>0:sget}{\hookrightarrow }start$$
2. 当啤酒的数量大于0的时候，执行bget动作获取啤酒
   $$start\stackrel{nbeer>0:bget}{\hookrightarrow }start$$
3. 当苏打饮料和啤酒的数量为空的时候，执行ret_coin动作退回投入的硬币
   $$start\stackrel{nsoda=0\wedge nbeer=0:ret\_coin}{\hookrightarrow }start$$

不同动作产生的不同影响：

动作	说明	影响
coin	投入硬币	无
ret_coin	退回硬币	无
refill	重新填满苏打和啤酒	nsoda := max;nbeer := max
sget	获取一瓶苏打	nsoda := nsoda -1
bget	获取一瓶啤酒	nbeer := nbeer -1

nsode表示苏打的数量，nbeer 表示啤酒的数量

具备类型的变量（typed variable）

• 概念：一个标准化的类型（如整数、布尔值、字符等）将和变量相关联以对系统建模

• Var：前面的例子中 nsoda和nbeer都属typed variable，简称变量（Var）。

• dom(x)：每个变量x的取值范围记作域（dom）。对数字电路而言，变量的取值只能是0或者1，但对于软件而言，变量的取值范围可能非常大（如考虑程序内整数的范围），这时没法再用域做有效的限制，所以引出域的概念。对于n个变量$x=(x_1,x_2,...,x_n)$，其域为$D=(D_1\times D_2\times ...\times D_n)$

• Eval(Var)：对所有变量的定值，所有可能结果的集合记作Eval(Var)，其中的一种定值方式记作映射$\eta$，如对变量x的定值即记作 $\eta (x)$。

• Cond(Var)：在变量上设置的所有条件的集合，记作Cond(Var)

• Effect：动作对变量的影响是动作作用于变量原值，再得到变量新值的这样一个映射，即 $Act\times Eval(Var)\to Eval(Var)$

• 范例：以一个动作$\alpha :x:=y+5$为例，初始时对变量x和y的求值$\eta (x)=17，\eta (y)=-2$
  如果对x执行$\alpha$动作，则x的值最终等于y+5，也就是-2+5=3
  $$Effect(\alpha ，\eta )(x)=\eta (y)+5=-2+5=3$$
  如果对y执行$\alpha$动作，因为$\alpha$只对x的值进行修改，不对y的值进行修改，所以y的值仍然为-2
  $$Effect(\alpha ,\eta )(y)=\eta (y)=-2$$

程序图 (Program Graph，简称PG)

• 概念：有向图，连接不同结点的边被标记为变量和动作，结点标记为位置。
• 行动$action$的效果是通过映射来形式化的，比如上面具备类型的变量的那个范例：
  • $Effect:Act\times Eval(Var)\hookrightarrow Eval(Var)$
  • $\alpha actionx:=y+5$
  • $\eta evaluation\eta (x)=17，\eta (y)=-2$
  • $Effect(\alpha ,\eta )(x)=\eta (y)+5=-2+5=3$
  • $Effect(\alpha ,\eta )(y)=\eta (y)=-2$
• PG是一个六元组$PG=(Loc,Act,Effect,\hookrightarrow ,Lo{c}_0,g_0)$
  • Loc是一系列位置的集合
  • Act是一系列动作的集合
  • Effect是$Act\times Eval(Var)\to Eval(Var)$
  • $\hookrightarrow \subseteq Loc\times Cond(Var)\times Act\times Loc$，是一个关系转移条件
  • $Lo{c}_0\subseteq Loc$：是一系列初始位置的集合
  • $g_0\in Cond(Var)$：是一系列初始条件的集合
• 在之前的自动售货机的范例中
  • L o c = { s t a r t , s e l e c t } Loc=\{start,select\} Loc={start,select}
  • L o c 0 = { s t a r t }   V a r = { n s o d a , n b e e r } Loc_{0}=\{start\} \ Var=\{ nsoda,nbeer\} Loc0​={start} Var={nsoda,nbeer}
  • A c t = { b g e t , s g e t , c o i n , r e t _ c o i n , r e f i l l } Act=\{bget,sget,coin,ret\_coin,refill\} Act={bget,sget,coin,ret_coin,refill}
  • g 0 = { n s o d a = m a x ∧ n b e e r = m a x } g_{0}=\{nsoda=max \wedge nbeer=max \} g0​={nsoda=max∧nbeer=max} ，表示刚开始，苏打和啤酒的数量都是满的
  • $Effect：$
    • $Effect(coin,\eta )=\eta$，表示投入硬币，目标变量（nsoda和nbeer）没有改变
    • $Effect(re{t}_{c}oin,\eta )=\eta$，表示退回硬币，目标变量（nsoda和nbeer）没有改变
    • $Effect(sget,\eta )=\eta [nsoda:=nsoda-1]$，表示获取一瓶苏打，nsoda的值减少一
    • $Effect(bget,\eta )=\eta [nbeer:=nbeer-1]$，表示获取一瓶啤酒，nbeer的值减少一
    • $Effect(refill,\eta )=[nsoda:=max,nbeer:=max]$，表示重新填满苏打和啤酒，nsoda和nbeer的值等于最大值
  • PG图：（其中，结点内的黑色实心表示啤酒，空心表示苏打，图中初始位置只有两瓶啤酒和两瓶苏打）
    
• PG转换为TS的方法
  • PG六元组：
    $$PG=(Loc,Act,Effect,\hookrightarrow ,Lo{c}_0,g_0)$$
    分别是位置、动作、影响、转移关系、初始位置、初始限定条件
  • TS六元组：
    $$TS=(S,Act,\to ,I,AP,L)$$
    分别是状态、动作、转移关系、初始状态、原子命题、标签函数
  • 具体转换规则如下：

    • $S=Loc\times Eval(Var)$，表示，TS的状态是位置与变量取值的笛卡尔积。具体来说，新的状态包含了位置和位置上的变量取值

    • $Act$保持不变

    • $\to \in S\times Act\times S$由以下规则定义：
      $$\frac{\ell \stackrel{g:\alpha }{\hookrightarrow }{\ell }^{\prime }\wedge \eta \models g}{⟨\ell ,\eta ⟩\stackrel{\alpha }{\to }⟨{\ell }^{\prime },Effect(\alpha ,\eta )⟩}$$
      表示，转移关系是在某状态对应于PG上的原位置$\ell$上当前赋值$\eta$满足动作$\alpha$执行条件$g$时，从原状态$⟨l,\eta ⟩$，经动作$\alpha$，到达新状态$⟨l^{\prime },Effect(\alpha ,\eta )⟩$的转移关系。
      其中，${\ell }^{\prime }$是原PG上的位置$\ell$依动作$\alpha$经$\hookrightarrow$转移所到达的新位置（可以和$\ell$相同），而 $Effect(\alpha ,\eta )$是当前的变量赋值$\eta$经$Effect$表中动作$\alpha$对应的影响操作后的新的变量赋值（可以和$\eta$相同）。

    • I = { ⟨ ℓ , η ⟩ } ∣ ℓ ∈ L o c 0 ∪ { g ∈ C o n d ( V a r ) ∣ η ⊨ g 0 } I = \{ \langle \ell , \eta \rangle \} | \ell \in Loc_{0} \cup \{ g \in Cond(Var) | \eta \models g_{0} \} I={⟨ℓ,η⟩}∣ℓ∈Loc0​∪{g∈Cond(Var)∣η⊨g0​}，表示初始状态是PG中的所有初始位置，和满足初始条件的所有变量赋值的笛卡尔积。

    • $AP=Loc\cup Cond(Var)$，表示原子命题集合是所有的位置$Loc$和PG中出现的所有条件$Cond(Var)$的并集。

    • L = { ℓ } ∪ { g ∈ C o n d ( V a r ) ∣ η ⊨ g } L = \{ \ell \} \cup \{ g \in Cond(Var)| \eta \models g \} L={ℓ}∪{g∈Cond(Var)∣η⊨g}，表示对状态取标签得到的是位置$\ell$以及变量赋值$\eta$所满足的限定条件$g$的集合。