Kani验证器中浮点数溢出检查的配置与优化
2025-06-30 13:21:48作者:牧宁李
浮点数运算验证的挑战
在Rust程序验证工具Kani中,浮点数运算的验证一直是一个值得关注的技术点。与整数运算不同,浮点数的溢出和NaN(非数字)结果在IEEE 754标准中是被明确定义的行为,而非未定义行为(UB)。这使得浮点数运算的验证策略需要特别考虑。
默认检查行为分析
Kani默认会对浮点数运算执行严格的检查,包括:
- 加法运算中的NaN检查
- 乘法运算中的NaN检查
- 浮点数加法溢出检查
- 浮点数乘法溢出检查
这些检查虽然严格,但可能并不总是必要的,因为浮点数的溢出在标准中是被允许的行为,程序可以安全地处理这些情况。
配置选项详解
Kani提供了--no-overflow-checks选项来控制这些检查。值得注意的是,这个选项仅影响浮点数的溢出和NaN检查,而不会影响整数类型的溢出检查。整数溢出在Rust中仍然会被严格检查,因为整数溢出可能导致未定义行为。
自定义解决方案
对于需要更细粒度控制的用户,可以采用自定义包装函数的方案。例如,可以创建专门的加法/乘法函数,在Kani验证时添加合理的假设条件:
const F32_BOUND: f32 = 1e3;
fn add_f32(a: f32, b: f32) -> f32 {
#[cfg(kani)]
{
kani::assume(a.abs() < F32_BOUND);
kani::assume(b.abs() < F32_BOUND);
}
a + b
}
这种方法允许开发者精确控制验证范围,同时保持代码的可读性和可维护性。
技术决策考量
在Kani的开发过程中,关于是否默认启用浮点数溢出检查存在技术讨论。一方面,严格的检查可以帮助发现潜在问题;另一方面,这些检查可能增加不必要的验证负担。目前Kani选择保持默认检查以确保安全性,同时提供选项让用户根据需要调整。
最佳实践建议
- 对于关键安全代码,建议保持默认的浮点数检查
- 对于已知安全的浮点运算,可以使用
--no-overflow-checks提高验证效率 - 考虑使用自定义包装函数在需要精确控制验证范围的情况下
- 注意区分浮点数和整数运算的验证需求
通过合理配置,开发者可以在验证严格性和验证效率之间找到平衡点,充分发挥Kani在Rust程序验证中的价值。
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
24
9
Ascend Extension for PyTorch
Python
223
246
暂无简介
Dart
672
157
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++
663
313
React Native鸿蒙化仓库
JavaScript
262
324
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
🎉 (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
1.2 K
655
🔥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
64
19
openGauss kernel ~ openGauss is an open source relational database management system
C++
160
218
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
330
137