Advancing File System Model Checking: Coverage, Framework, and Scalability
Notice bibliographique
Résumé
File systems serve as the foundation for data storage and access, making their reliability crucial to maintaining system correctness and data integrity. However, building robust file systems remains a significant challenge. Despite numerous testing and verification techniques, file system bugs continue to emerge. To detect file system bugs and improve reliability, we tackle three key aspects: new coverage metrics for testing, a novel model checking approach, and enhanced scalability for file system verification. We begin by introducing input and output coverage (IOCov) as metrics for evaluating and improving file system testing, along with IOCov to compute them. We integrated IOCov into existing file system testing workflows, achieving broader input coverage and improving the detection of crash consistency bugs. Next, we present Metis, a file system model checking framework designed to explore diverse inputs under different file system states. Using a reference file system (RefFS), Metis compares the behaviors of two file systems and reports any discrepancies as potential bugs. Metis leverages Swarm Verification (SV) to scale state exploration by distributing parallel verification tasks (VTs) across multiple cores and machines. Finally, we describe Containerized Swarm Verification (CoSV), in which each VT runs in a container and is managed by an orchestrator. CoSV enhances the scalability of SV by packaging each VT as a self-contained unit, allowing for easy adaptation to dynamic resource availability. In addition, CoSV ensures fault isolation across VTs to prevent faults in one task from interfering with the execution of others. Our thesis is that effective file system testing requires coverage metrics to guide evaluation, new techniques for thorough checking, and scalable parallelism to explore large state spaces. Overall, input/output coverage helps developers evaluate file system testing, while model checking systematically verifies states, and containerized swarm verification scales this process through efficient, fault-isolated parallelism.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,014 | 0,084 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,004 |
| Bibliométrie | 0,005 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,005 |
| Communication savante | 0,005 | 0,011 |
| Science ouverte | 0,004 | 0,007 |
| Intégrité de la recherche | 0,002 | 0,005 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,001 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».