ATLAS: Multi-View Code Representation Tool for C and C++ Source Programs

Riepilogo Tecnico: ATLAS – Strumento di Rappresentazione del Codice Multi-Vista per C e C++

Problematica
L'apprendimento automatico per l'ingegneria del software (ML4SE) si affida sempre più a grafi di codice multi-vista che allineano gli Alberi della Sintassi Astratta (AST), i Grafi del Flusso di Controllo (CFG) e i Grafi del Flusso di Dati (DFG) per catturare la struttura sintattica, i percorsi di esecuzione e le dipendenze delle variabili. Sebbene modelli come GraphCodeBERT e CodeSAM dimostrino che le viste strutturali superano le baseline basate sul testo, esiste un divario significativo per C e C++: nessun tool esistente è in grado di generare queste viste allineate a livello di sorgente senza un ambiente di compilazione completo.

Gli strumenti attuali presentano limitazioni specifiche:

• I framework basati su compilatore (es. SVF, PhASAR) richiedono una build risolta e operano su Rappresentazioni Intermedie (IR) che scartano i nomi delle variabili a livello di sorgente e il contesto strutturale.
• Gli analizzatori basati su query (es. CodeQL, Clang Static Analyzer) richiedono anch'essi una build completa.
• I parser basati solo sulla sorgente (es. Joern, Tree-sitter) mancano di analisi inter-procedurale, non riescono a generare il flusso di controllo o di dati, oppure non possono gestire le specifiche complessità semantiche di C/C++ (come l'aliasing dei puntatori, la gestione manuale della memoria e l'assenza di Runtime Type Information).
• Gli strumenti multi-vista esistenti (es. COMEX) sono spesso limitati ai linguaggi con gestione della memoria e si basano su assunzioni che non valgono per C/C++.

Di conseguenza, i professionisti devono combinare molteplici strumenti monoscopo per ottenere viste allate, e molti strumenti esistenti falliscono quando presentati con input parziali, come i submóduli con header mancanti.

Metodologia: La Pipeline ATLAS
ATLAS è uno strumento a riga di comando progettato per estrarre AST, CFG inter-procedurale a livello di sorgente e DFG di raggiungibilità della definizione da file sorgente C e C++ senza richiedere la compilazione o un database di build. Opera attraverso una pipeline a quattro fasi:

1. Preprocessore: Unisce progetti multi-file in un unico file. Raccoglie macro e typedef locali del progetto e inlinea gli header intra-progetto trattando gli header di sistema come dichiarazioni opache. Per la compilazione condizionale, mantiene entrambi i rami #ifdef/#else in C o seleziona i rami basati sui valori #define presenti nel codice sorgente in C++.
2. Parser: Utilizza Tree-sitter per costruire un albero sintattico, una tabella dei simboli e assegna un identificatore intero univoco a ogni nodo. Fondamentalmente, i simboli di tipi sconosciuti vengono etichettati come unknown_t e trattati come wildcard. Ciò impedisce alle dichiarazioni mancanti di bloccare la risoluzione del grafo delle chiamate o del def–use. Tutti i driver operano su questo spazio di identificatori condiviso, garantendo che i nodi AST, CFG e DFG condividano un singolo namespace.
3. Generatore di Code-View: Quattro driver (AST, CFG, DFG, Multi-View) operano sul modello condiviso:
   • AST: Potano l'Albero della Sintassi Concreta per mantenere solo i nodi semantici.
   • CFG: Costruisce un grafo inter-procedurale a livello di istruzione sorgente. Risolve chiamate dirette, chiamate virtuali tramite Class Hierarchy Analysis (CHA) e chiamate tramite puntatori a funzione tracciando l'ultima assegnazione visibile del puntatore. Se un target non è risolto, si espande verso i chiamanti compatibili con la firma.
   • DFG: Aggiunge archi di raggiungibilità della definizione con flussi inter-procedurali. Traccia gli argomenti passati per riferimento e gli accessi ai membri attraverso le chiamate, ma non modella l'aliasing tramite aritmetica dei puntatori, puntatori memorizzati nell'heap o callback void* a causa dell'assenza di un'analisi points-to.
   • Multi-View: Unisce le viste selezionate in un singolo grafo dove gli archi sono colorati per classe di vista, consentendo ai consumatori a valle di filtrare per viste specifiche senza una nuova analisi.
4. Visualizzatore: Esporta i risultati come JSON, Graphviz DOT o PNG.

Il tool supporta tre flag da riga di comando per ridimensionare il grafo senza rieseguire l'analisi: selezione della vista, collassamento delle variabili (fusione di identificatori ripetuti) e blacklisting dei nodi (rimozione di specifiche categorie sintattiche).

Contributi Chiave

• Estrazione Senza Build: ATLAS opera su input parziali (es. submóduli con header mancanti) senza richiedere un database di compilazione.
• Allineamento Cross-View: Utilizzando identificatori condivisi, permette agli utenti di recuperare qualsiasi singola vista (AST, CFG o DFG) filtrando gli archi da un grafo unificato.
• Ridimensionamento del Grafo Configurabile: I flag della CLI permettono il collassamento delle variabili e il blacklisting dei nodi per ridurre la dimensione del grafo ai fini dell'addestramento.
• Validazione Empirica: Il tool è stato testato su corpora reali di C e C++ ed è stato integrato in un sistema di generazione di test a valle.

Risultati e Valutazione
Gli autori hanno valutato ATLAS sul corpus TheAlgorithms (406 file C e 360 file C++):

• Accuratezza: ATLAS produce un CFG corretto per il 96,80% dei file C e il 91,67% dei file C++. I DFG corretti sono stati generati per il 91,38% dei file C e il 90,56% dei file C++.
• Modalità di Fallimento: I fallimenti sono limitati a costrutti specifici non supportati: istruzioni goto, multi-threading, aritmetica dei puntatori a runtime, overloading degli operatori e membri statici di classe. Questi sono considerati limiti documentati piuttosto che bug di implementazione.
• Gestione Input Parziali: In uno scenario in cui un file header è stato eliminato, ATLAS ha costruito con successo un CFG e un DFG inter-procedurale connessi. Il grafo risultante era strutturalmente equivalente alla versione con build completa, differendo solo per l'assenza del nodo di dichiarazione.
• Performance: Sui 20 programmi C più grandi (61–309 LOC), la generazione del CFG ha avuto un tempo di esecuzione mediano di 6,89 secondi con 135 MB di memoria di picco. Una corsa completa su libcurl (124K LOC) ha richiesto circa 23 minuti.
• Utilità a Valle: Quando utilizzato come front-end CFG per SPARC (un framework di generazione di unit-test basato su LLM), ATLAS ha permesso un guadagno assoluto del 31,36% nella copertura delle linee e del 26,01% nella copertura dei rami rispetto a una baseline senza contesto, superando o eguagliando KLEE su soggetti complessi.

Significatività e Claim
Il documento afferma che ATLAS è, a conoscenza degli autori, l'unico tool che soddisfa simultaneamente l'operatività a livello di sorgente, la costruzione del CFG inter-procedurale, la tolleranza agli input parziali e l'allineamento multi-vista con identificatori condivisi per C/C++. Abbassando la barriera per l'ottenimento di grafi multi-vista allineati, ATLAS facilita la ricerca ML4SE su codebase C/C++ che erano precedentemente difficili da analizzare a causa delle dipendenze di build o della mancanza di rappresentazioni strutturali unificate. Il tool è open-source, distribuito come immagine Docker e include uno screencast per la riproducibilità.

Limitazioni
Gli autori notano esplicitamente che ATLAS non esegue l'analisi points-to, il che significa che non può risolvere completamente l'aliasing attraverso l'aritmetica dei puntatori, puntatori memorizzati nell'heap o callback void*. Inoltre, approssima caratteristiche del C++ come template, eccezioni e l'ereditarietà complessa senza un frontend C++ completo. La validazione è stata attualmente limitata a piccoli file; l'esecuzione su larga scala di progetti e gli studi sugli utenti sono identificati come lavori futuri.