Neuronové sítě pro string constraint solving

Abstract

Táto práca skúma možnosti optimalizácie formálnych metód používaných pri riešení reťazcových obmedzení pomocou neurónových sietí. Zaoberáme sa konkrétne nástrojom Z3-noodler vyvíjaným tímom Verifit na VUT FIT v Brne. Najskôr vysvetľujeme potrebné prerekvizity v podobe definícií a predstavujeme súčasnú implementáciu. Potom znázorňujeme návrh nášho riešenia s použitím grafových neurónových sietí, extrakciu dát, trénovanie a vyhodnotenie modelu a jeho nasadenie do Z3-noodler. Nakoniec pomocou rôznych metík dokazujeme že neurónové siete sú schopné učiť sa zmyslupné vzťahy z nedeterministických konečných automatov a to že nasadenie modelu je skutočná výzva nakoľko to prináša väčšiu výpočetnú náročnosť a to že neurónové siete sa môžu mýliť.

This thesis researches the possibility of optimization of formal methods used in string constraint solving by the usage of neural networks. We focus namely on Z3-noodler developed by Verifit group from VUT FIT Brno. First we explain the essential preliminaries in form of definitions and introduce the current implementation. Then we show the idea behind our proposed solution using graph neural networks, dataset extraction, model training and evaluation, and its implementation into Z3-noodler. Lastly we show by different metrics that the neural networks are able to learn meaningful relations from non-deterministic finite automata and that the deployment of the model is the real challenge due to introduced overhead and the neural networks not being always right.