확률 자동자 간 거리 계산

초록

본 논문은 확률 자동자(PA)에 대해 오차 ε를 허용하는 완화된 시뮬레이션·바이시뮬레이션 개념을 정의하고, 이를 논리적 특성화와 흐름 네트워크 기반 다항시간 알고리즘으로 구현한다. 이를 통해 비할인 거리와 할인 거리를 효율적으로 계산할 수 있으며, 기존 거리와의 비교 및 프로세스 대수 연산자에 대한 비확장성을 증명한다.

상세 분석

논문은 먼저 전통적인 확률 자동자 모델에 서브분포를 허용함으로써 비응답성을 표현하고, ε‑lifting이라는 새로운 관계 확장을 도입한다. ε‑lifting은 기존의 무게 함수 정의와 동등함을 증명하며, 흐름 네트워크(N(µ,ν,R))를 이용해 최대 흐름이 µ(S)−ε 이상이면 µ ⪯ε ν가 성립한다는 네트워크 기반 판정 기준을 제시한다. 이를 통해 ε‑시뮬레이션과 ε‑바이시뮬레이션을 각각 Fε와 Gε 연산자의 최대 고정점으로 정의하고, 유한 분기성을 가정하면 다항시간 안에 관계를 계산할 수 있음을 보인다.

논리적 측면에서는 두 가지 논리 L(부정 없음)과 L¬(부정 포함)를 정의하고, ε‑시뮬레이션을 L‑시뮬레이션, ε‑바이시뮬레이션을 L¬‑동등성으로 특성화한다. 그러나 일반적인 비결정적 PA에 대해서는 L과 L¬만으로는 충분하지 않으며, 사전 ε‑시뮬레이션(a priori ε‑simulation)이라는 약한 개념을 도입한다. 이 개념은 L에 의해 완전히 특성화되지만, 결정적 경우와 달리 NP‑난이도를 가진다. 즉, a priori 0‑시뮬레이션을 판단하는 문제는 NP‑hard임을 증명한다.

거리 정의에서는 ε‑바이시뮬레이션을 “거리 ≤ ε”인 관계로 해석하여 비할인 거리 d(s,t)=inf{ε | s∼ε t}를 만든다. 할인 거리 dγ는 전이 길이가 길어질수록 영향을 감소시키는 가중치를 도입해, dγ(s,t)=inf{∑γ^k·ε_k | …} 형태로 정의한다. 두 거리 모두 흐름 네트워크 기반 알고리즘으로 다항시간에 정확히 계산 가능하며, 기존에 제시된 거리들(예: Kantorovich, bisimulation metric)과는 차별화된다. 특히 경로 상의 차이를 누적하지 않아 계산 복잡도가 크게 낮아진다.

마지막으로 프로세스 대수 연산자(병렬 합성, 비결정적 선택 등)에 대해 거리의 비확장성을 증명한다. 즉, 연산자를 적용해도 거리값이 증가하지 않으며, 이는 시스템 설계 시 모듈식 분석을 가능하게 한다. 전체적으로 논문은 이론적 정의, 논리적 특성화, 알고리즘 구현, 복잡도 분석, 그리고 실용적 적용까지 포괄적으로 다루어 확률 자동자 분석에 새로운 도구를 제공한다.