Verus语言中call_requires/call_ensures对普通函数调用的行为分析
2025-07-09 20:54:42作者:袁立春Spencer
Verus是一种用于Rust的形式化验证工具,它允许开发者为函数指定前置条件和后置条件。在Verus中,call_requires和call_ensures是两个重要的验证原语,分别用于检查函数调用的前置条件是否满足和验证函数调用的后置条件是否成立。
问题现象
在Verus中,当直接调用普通函数时,call_requires和call_ensures的行为与预期不符。具体表现为:
- 对于
call_ensures,即使函数调用成功返回,验证器也无法自动证明后置条件成立 - 对于
call_requires,即使显式假设前置条件成立,验证器仍然会拒绝函数调用
技术分析
这种现象的根本原因在于Verus对普通函数调用和函数指针调用的处理方式不同。Verus内部有两种编码机制:
- 对于直接函数调用,Verus采用更严格的验证方式
- 对于通过函数指针/函数变量的调用,Verus会启用更灵活的函数特质(trait)编码机制
解决方案
通过将函数赋值给变量再调用,可以强制Verus使用更灵活的函数特质编码机制,从而解决上述问题。这种间接调用方式能够正确识别call_requires和call_ensures的语义。
实际应用
在实际验证代码中,建议采用以下模式:
// 将函数赋值给变量
let f = target_function;
// 通过变量调用函数
let result = f(args);
// 此时call_ensures能够正确验证
assert(call_ensures(target_function, (args,), result));
对于需要验证前置条件的情况:
// 假设前置条件成立
assume(call_requires(target_function, (args,)));
// 将函数赋值给变量
let f = target_function;
// 通过变量调用函数
f(args);
结论
Verus对直接函数调用和间接函数调用的不同处理机制导致了call_requires和call_ensures行为上的差异。理解这一机制对于编写可验证的Verus代码非常重要。在实际开发中,当遇到相关验证问题时,可以考虑通过函数变量间接调用的方式来规避限制。
登录后查看全文
热门项目推荐
相关项目推荐
AutoGLM-Phone-9BAutoGLM-Phone-9B是基于AutoGLM构建的移动智能助手框架,依托多模态感知理解手机屏幕并执行自动化操作。Jinja00
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
GLM-4.6V-FP8GLM-4.6V-FP8是GLM-V系列开源模型,支持128K上下文窗口,融合原生多模态函数调用能力,实现从视觉感知到执行的闭环。具备文档理解、图文生成、前端重构等功能,适用于云集群与本地部署,在同类参数规模中视觉理解性能领先。Jinja00
HunyuanOCRHunyuanOCR 是基于混元原生多模态架构打造的领先端到端 OCR 专家级视觉语言模型。它采用仅 10 亿参数的轻量化设计,在业界多项基准测试中取得了当前最佳性能。该模型不仅精通复杂多语言文档解析,还在文本检测与识别、开放域信息抽取、视频字幕提取及图片翻译等实际应用场景中表现卓越。00
GLM-ASR-Nano-2512GLM-ASR-Nano-2512 是一款稳健的开源语音识别模型,参数规模为 15 亿。该模型专为应对真实场景的复杂性而设计,在保持紧凑体量的同时,多项基准测试表现优于 OpenAI Whisper V3。Python00
GLM-TTSGLM-TTS 是一款基于大语言模型的高质量文本转语音(TTS)合成系统,支持零样本语音克隆和流式推理。该系统采用两阶段架构,结合了用于语音 token 生成的大语言模型(LLM)和用于波形合成的流匹配(Flow Matching)模型。 通过引入多奖励强化学习框架,GLM-TTS 显著提升了合成语音的表现力,相比传统 TTS 系统实现了更自然的情感控制。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
项目优选
收起
deepin linux kernel
C
25
9
OpenHarmony documentation | OpenHarmony开发者文档
Dockerfile
415
3.19 K
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
暂无简介
Dart
680
160
🔥LeetCode solutions in any programming language | 多种编程语言实现 LeetCode、《剑指 Offer(第 2 版)》、《程序员面试金典(第 6 版)》题解
Java
65
19
Ascend Extension for PyTorch
Python
229
259
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++
689
327
React Native鸿蒙化仓库
JavaScript
265
326
喝着茶写代码!最易用的自托管一站式代码托管平台,包含Git托管,代码审查,团队协作,软件包和CI/CD。
Go
23
0
🎉 (RuoYi)官方仓库 基于SpringBoot,Spring Security,JWT,Vue3 & Vite、Element Plus 的前后端分离权限管理系统
Vue
1.21 K
661