Kani项目:将验证结果输出到独立文件的技术实现
2025-06-30 18:11:38作者:沈韬淼Beryl
在形式化验证工具Kani的开发过程中,一个重要的功能改进被提出:将每个测试harness的验证结果输出到独立的文件中。这个功能对于持续集成/持续交付(CI/CD)环境特别有价值,能够显著提升结果解析的便利性。
功能背景与价值
传统上,Kani会将所有harness的验证结果合并输出到标准输出或单个文件中。这在处理大型项目时会导致结果文件变得庞大且难以解析。特别是在自动化测试环境中,开发团队需要快速定位特定harness的验证结果时,这种单一输出方式显得不够高效。
将每个harness的结果独立输出到文件中,可以带来以下优势:
- 结果隔离:每个harness的结果互不干扰,便于单独分析
- 自动化处理:CI/CD系统可以轻松定位和解析特定测试结果
- 历史追踪:可以更简单地保存和比较不同版本的验证结果
技术实现方案
核心实现思路是为每个harness创建基于其名称的独立结果文件。一个参考实现方案如下:
if !self.args.common_args.quiet && self.args.output_format != OutputFormat::Old {
let file_name = String::from("./kani-harness-result/".to_owned() + &harness.pretty_name.clone());
let path = Path::new(&file_name);
let prefix = path.parent().unwrap();
std::fs::create_dir_all(prefix).unwrap();
let file = File::create(file_name.clone());
let output = result.render(
&self.args.output_format,
harness.attributes.should_panic,
self.args.coverage,
);
if let Err(e) = writeln!(file.unwrap(), "{}", output) {
eprintln!("Failed to write to file {}: {}", file_name, e);
}
println!("{}", output);
}
这个实现会:
- 创建一个专门的目录结构来存放结果文件
- 根据harness的名称生成对应的结果文件名
- 将渲染后的验证结果写入对应文件
- 同时保留标准输出功能
优化建议
在实际应用中,可以考虑以下优化方向:
- 目录结构优化:使用项目构建目标目录作为基础目录,而不是硬编码路径
- 输出模式选择:在简洁输出模式下自动启用文件输出功能
- 配置选项:添加命令行参数来控制文件输出行为
- 错误处理:增强文件创建和写入的错误处理机制
- 文件命名规范:确保文件名在不同操作系统上的兼容性
应用场景
这项改进特别适合以下场景:
- 自动化测试流水线中需要解析特定测试结果
- 大型项目需要分模块分析验证结果
- 需要长期保存和比较历史验证结果的项目
- 需要将验证结果集成到其他工具链中的开发环境
通过这项功能增强,Kani工具在工业级应用中的可用性和集成能力将得到显著提升,为形式化验证在软件开发流程中的广泛应用奠定更好的基础。
登录后查看全文
热门项目推荐
相关项目推荐
ERNIE-4.5-VL-28B-A3B-ThinkingERNIE-4.5-VL-28B-A3B-Thinking 是 ERNIE-4.5-VL-28B-A3B 架构的重大升级,通过中期大规模视觉-语言推理数据训练,显著提升了模型的表征能力和模态对齐,实现了多模态推理能力的突破性飞跃Python00
Kimi-K2-ThinkingKimi K2 Thinking 是最新、性能最强的开源思维模型。从 Kimi K2 开始,我们将其打造为能够逐步推理并动态调用工具的思维智能体。通过显著提升多步推理深度,并在 200–300 次连续调用中保持稳定的工具使用能力,它在 Humanity's Last Exam (HLE)、BrowseComp 等基准测试中树立了新的技术标杆。同时,K2 Thinking 是原生 INT4 量化模型,具备 256k 上下文窗口,实现了推理延迟和 GPU 内存占用的无损降低。Python00
MiniMax-M2MiniMax-M2是MiniMaxAI开源的高效MoE模型,2300亿总参数中仅激活100亿,却在编码和智能体任务上表现卓越。它支持多文件编辑、终端操作和复杂工具链调用Python00
HunyuanVideo-1.5暂无简介00
MiniCPM-V-4_5MiniCPM-V 4.5 是 MiniCPM-V 系列中最新且功能最强的模型。该模型基于 Qwen3-8B 和 SigLIP2-400M 构建,总参数量为 80 亿。与之前的 MiniCPM-V 和 MiniCPM-o 模型相比,它在性能上有显著提升,并引入了新的实用功能Python00
Spark-Formalizer-X1-7BSpark-Formalizer 是由科大讯飞团队开发的专用大型语言模型,专注于数学自动形式化任务。该模型擅长将自然语言数学问题转化为精确的 Lean4 形式化语句,在形式化语句生成方面达到了业界领先水平。Python00
GOT-OCR-2.0-hf阶跃星辰StepFun推出的GOT-OCR-2.0-hf是一款强大的多语言OCR开源模型,支持从普通文档到复杂场景的文字识别。它能精准处理表格、图表、数学公式、几何图形甚至乐谱等特殊内容,输出结果可通过第三方工具渲染成多种格式。模型支持1024×1024高分辨率输入,具备多页批量处理、动态分块识别和交互式区域选择等创新功能,用户可通过坐标或颜色指定识别区域。基于Apache 2.0协议开源,提供Hugging Face演示和完整代码,适用于学术研究到工业应用的广泛场景,为OCR领域带来突破性解决方案。00
最新内容推荐
IEC61850建模工具及示例资源:智能电网自动化配置的完整指南 海康威视DS-7800N-K1固件升级包全面解析:提升安防设备性能的关键资源 2022美赛A题优秀论文深度解析:自行车功率分配建模的成功方法 SteamVR 1.2.3 Unity插件:兼容Unity 2019及更低版本的VR开发终极解决方案 PhysioNet医学研究数据库:临床数据分析与生物信号处理的权威资源指南 Photoshop作业资源文件下载指南:全面提升设计学习效率的必备素材库 海能达HP680CPS-V2.0.01.004chs写频软件:专业对讲机配置管理利器 咖啡豆识别数据集:AI目标检测在咖啡质量控制中的革命性应用 TJSONObject完整解析教程:Delphi开发者必备的JSON处理指南 Windows Server 2016 .NET Framework 3.5 SXS文件下载与安装完整指南
项目优选
收起
deepin linux kernel
C
24
7
Ascend Extension for PyTorch
Python
185
196
旨在打造算法先进、性能卓越、高效敏捷、安全可靠的密码套件,通过轻量级、可剪裁的软件技术架构满足各行业不同场景的多样化要求,让密码技术应用更简单,同时探索后量子等先进算法创新实践,构建密码前沿技术底座!
C
1.03 K
480
TorchAir 支持用户基于PyTorch框架和torch_npu插件在昇腾NPU上使用图模式进行推理。
Python
276
97
本仓将收集和展示高质量的仓颉示例代码,欢迎大家投稿,让全世界看到您的妙趣设计,也让更多人通过您的编码理解和喜爱仓颉语言。
Cangjie
380
3.44 K
暂无简介
Dart
623
140
React Native鸿蒙化仓库
JavaScript
242
315
Nop Platform 2.0是基于可逆计算理论实现的采用面向语言编程范式的新一代低代码开发平台,包含基于全新原理从零开始研发的GraphQL引擎、ORM引擎、工作流引擎、报表引擎、规则引擎、批处理引引擎等完整设计。nop-entropy是它的后端部分,采用java语言实现,可选择集成Spring框架或者Quarkus框架。中小企业可以免费商用
Java
9
1
本项目是CANN提供的数学类基础计算算子库,实现网络在NPU上加速计算。
C++
648
265
openGauss kernel ~ openGauss is an open source relational database management system
C++
157
210