AdaTrans: Automated C to Rust Transformation via Error-Adaptive Repair

Resumen Técnico: AdaTrans

Planteamiento del Problema
La transformación automatizada de código C a Rust sigue siendo un desafío de ingeniería significativo debido al estricto sistema de propiedad (ownership), préstamo (borrowing) y tiempos de vida (lifetimes) de Rust. Aunque los Modelos de Lenguaje de Gran Escala (LLMs) muestran potencial en la generación de código, frecuentemente producen código Rust que viola las reglas de propiedad o que depende fuertemente de bloques unsafe para eludir el verificador de préstamos (borrow checker). Los enfoques existentes sufren tres limitaciones primarias: (1) los LLMs de propósito general tienen dificultades para cruzar la barrera semántica entre la gestión manual de memoria de C y el sistema de tipos afines de Rust; (2) los métodos actuales infrautilizan la retroalimentación del compilador para la reparación iterativa, tratando los diagnósticos como problemas sintácticos superficiales en lugar de conflictos estructurales; y (3) sin una verificación dirigida, el código generado tiende a eludir las restricciones de seguridad en lugar de satisfacerlas, lo que conduce a la inequivalencia funcional o a la inseguridad de la memoria.

Metodología: El Marco de Trabajo AdaTrans
AdaTrans es un marco de trabajo de extremo a extremo diseñado para la transformación a nivel de archivo de módulos de C autónomos. Opera a través de un flujo de trabajo de tres fases de generación-verificación-reparación de bucle cerrado que adapta las estrategias de reparación según el tipo específico de señal de fallo observada.

1. Validación Multietapa (Fase 1):
   El marco emplea un oráculo determinista para evaluar el código Rust candidato. Este flujo de trabajo invoca primero al compilador de Rust (cargo build) para detectar errores de sintaxis, vinculación (linking) y propiedad. Si el código compila, procede a la ejecución dinámica contra una suite de pruebas basada en fuzzing para verificar la equivalencia funcional (consistencia de I/O) con el programa C original. Esta etapa extrae señales diagnósticas (códigos de error del compilador y fallos de prueba) para guiar las reparaciones posteriores.

2. Generación Aumentada por Recuperación (RAG) Dirigida por Estrategia (Fase 2):
   Para cerrar la breancia entre los diagnósticos brutos del compilador y el contexto de reparación estructurado, AdaTrans utiliza un Grafo de Violación-Reparación de Rust (RVFG). Este grafo mapea firmas de error específicas del compilador (por ejemplo, E0597) con anclajes semánticos, que incluyen:

   • Plantillas de Reparación: Meta-prompts específicos de rol (por ejemplo, corrección de sintaxis, razonamiento de propiedad, reflexión algorítmica).
   • Fragmentos de Conocimiento: Documentación oficial de Rust relevante para la categoría del error.
     Este mecanismo asegura que el LLM reciba orientación dirigida en lugar de mensajes de error brutos, alejándolo de los atajos unsafe y dirigiéndolo hacia soluciones idiomáticas.

3. Estrategia de Transformación Estratificada por Errores (ESTS) (Fase 3):
   AdaTrans clasifica las señales diagnósticas en cuatro categorías semánticas y adapta el comportamiento de muestreo (temperatura) del LLM en consecuencia:

   • Sintáctica-Vinculación (SL): Los errores rígidos (por ejemplo, falta de puntos y coma) se abordan con un muestreo de baja entropía ($\theta=0.1$) para correcciones precisas y deterministas.
   • Semántica de Memoria (MS): Los conflictos de propiedad y tiempo de vida se abordan con un muestreo de entropía moderada ($\theta=0.5$) para explorar patrones alternativos de gestión de memoria (por ejemplo, clonación frente a préstamo).
   • Lógica-Comportamiento (LB): Los fallos funcionales (compila pero con salida incorrecta) se abordan con un muestreo de alta entropía ($\theta=1.2$) para escapar de los óptimos locales y activar una reestructuración algorítmica significativa.
   • Fallback Ambiguo (AF): Los errores no vistos recurren a una exploración base.
     Además, un mecanismo de Escape de Estancamiento de Bucle Local reinicia la trayectoria de reparación si la misma categoría de error persiste durante más de tres iteraciones consecutivas, evitando bucles infinitos.

Contribuciones Clave

• Un Marco Impulsado por la Retroalimentación del Compilador: AdaTrans introduce un flujo de trabajo de tres fases diseñado específicamente para la migración controlada a nivel de archivo, integrando diagnósticos del compilador y retroalimentación de ejecución en un bucle de reparación unificado.
• Reparación Operativa Estratificada por Errores (ESTS): El artículo propone una estrategia que categoriza los errores y ajusta dinámicamente la diversidad de generación (temperatura) para coincidir con la rigidez de la restricción, equilibrando la explotación para correcciones sintácticas con la exploración para mutaciones algorítmicas.
• RAG Dirigida por Estrategia: Un novedoso mecanismo de recuperación que mapea firmas de error a plantillas de reparación específicas y conocimiento de dominio, proporcionando guía estructurada más allá de los mensajes brutos del compilador.
• Estudio Empírico de Compromisos entre Correctitud y Seguridad: Los autores proporcionan una evaluación rigurosa de la correctitud de la transformación frente a la seguridad de la memoria bajo un motor de LLM fijo.

Resultados Experimentales
El marco fue evaluado en un conjunto de datos de 104 problemas algorítmicos de LeetCode Weekly Contests (lanzados después de la fecha de corte de conocimiento del LLM para mitigar la contaminación). La evaluación comparó AdaTrans contra tres herramientas basadas en LLM existentes (EvoC2Rust, Tymcrat, PtrTrans), un modelo base de LLM zero-shot y el transpiler tradicional de nivel AST c2rust.

• Rendimiento: AdaTrans logró una tasa media de paso de compilación del 95.51% y una tasa media de resolución del 81.09% a través de tres ejecuciones independientes.
• Comparación: AdaTrans mejoró la tasa de resolución sobre la herramienta basada en LLM más fuerte existente (Tymcrat) en 59.94 puntos porcentuales. También superó al modelo base zero-shot de LLM (pass@100) por 10.51 puntos porcentuales utilizando significativamente menos tokens (aproximadamente 1/3 del costo).
• Seguridad: El marco mantuvo una tasa media de archivos unsafe del 1.19%, un marcado contraste con c2rust, que produjo código unsafe en el 100% de sus salidas compilables (97.94% de las líneas de código).
• Ablación: Eliminar el módulo ESTS redujo la tasa de resolución en aproximadamente un 12%, y eliminar el módulo RAG redujo la tasa en aproximadamente un 10%. Eliminar ambos causó una caída de aproximadamente un 34%, demostrando su efecto sinérgico.

Significancia y Reivindicaciones
El artículo afirma que AdaTrans demuestra que adaptar las estrategias de reparación a las características semánticas de los diagnósticos del compilador puede reconciliar con éxito la correctitud de la transformación con la seguridad de la memoria. Al aislar el núcleo semántico de la transformación a nivel de archivo, los autores muestran que la reparación iterativa guiada por estrategias estratificadas por errores y la recuperación de conocimiento dirigido puede lograr una alta equivalencia funcional sin depender de bloques unsafe. El trabajo sugiere que, si bien los LLM de propósito general tienen dificultades con la naturaleza no local de la propiedad de Rust, un enfoque estructurado y dirigido por retroalimentación puede navegar eficazmente la barrera semántica entre C y Rust. Los autores posicionan esto como un paso hacia la migración segura y automatizada de bases de código de C heredadas, particularmente para módulos autónomos donde la equivalencia funcional puede verificarse rigurosamente.