Towards LLM-Assisted Architecture Recovery for Real-World ROS~2 Systems: An Agent-Based Multi-Level Approach to Hierarchical Structural Architecture Reconstruction

技術的概要：実世界の ROS 2 システム向け LLM 支援アーキテクチャ復元

問題定義
明示的なソフトウェアアーキテクチャモデルは、複雑なシステムの分析と進化に不可欠であるが、長寿命のソフトウェアプロジェクトでは、その欠如、陳腐化、または不整合が頻繁に発生する。この問題は、Robot Operating System 2 (ROS 2) に基づく分散型サイバーフィジカルシステムにおいて特に顕著である。ROS 2 では、階層的な構造構成と統合セマンティクスは、ソースコード、ビルドファイル、起動ファイル、パラメータファイルなど、分散したアーティファクトに暗黙的にエンコードされることが多い。従来のシステムとは異なり、ROS 2 のランタイムノードインスタンス、名前空間、リマップ、および起動によって誘発される構成は、完全なアーキテクチャモデルに維持されることは稀である。

既存の復元アプローチは主にノードレベルのエンティティと通信配線に焦点を当てており、複数の抽象化レベルにわたる階層的な構造（分解）構成の復元に対するサポートは限定的である。大規模言語モデル（LLM）は、異種アーティファクトから意味的関係を推論する可能性を示しているが、システム固有のアーキテクチャガイダンスの欠如により、制約のない LLM ベースの復元は、幻覚、不完全性、または構造的にサポートされていない要素を生成するリスクがある。著者らの先行研究では、ブループリントガイドアプローチが LLM の合成を制約できることを示したが、複雑な起動誘発構成と分散統合セマンティクスを持つリポジトリでは、リコールが低下することが示された。

手法
本論文は、ROS 2 システムの階層的構造アーキテクチャ復元のための、強化されたエージェントベースの多レベルアプローチを提示する。この手法は、著者らの先行研究からの UML ベースのモデリング概念を維持しつつ、LLM 合成をガイドするための明示的な中間アーティファクトを導入する段階的戦略を通じて復元プロセスを洗練させる。

提案されたパイプラインは、3 つの明確な段階で動作する：

1. アトミックノード識別（NodeAnalyzer）：
   このプロセスは、ソースファイルからのアトミックな ROS 2 ノード定義の決定論的抽出から始まる。NodeAnalyzer エージェントは、「アトミック ROS ノード一覧」と題された構造化された JSON アーティファクトを生成する。このアーティファクトは、リポジトリレベルのソース証拠を統合されたインベントリに集約し、ノードの識別子、ソース所有権、実装言語（Python/C++）、および実行エントリポイントを記録する。これは、後続の段階のためのソースレベルインデックスとして機能する。

2. 起動依存関係分析（LaunchFileAnalyzer）：
   システムレベルの合成の前に、LaunchFileAnalyzer エージェントは「起動ファイル依存関係記述」（JSON）を生成する。このアーティファクトは、起動時の組織を明示的にモデル化する。これには以下が含まれる：

   • 起動ファイルの包含チェーン。
   • 直接のノードインスタンス化。
   • 名前空間のスコープとリマップ関係。
   • ランタイムノードインスタンス（ソース定義とそのランタイム構成を区別）。
     このステップは、最終合成前にノードの識別子と依存関係を固定し、ソースレベルの定義をシステムレベルのインスタンスから分離する。

3. 段階的ブループリントガイド合成：
   最終段階では、SystemArchitectureConstructor エージェントが採用される。生アーティファクトから直接サブシステムを合成した以前の手法とは異なり、このエージェントは洗練されたプロンプト契約を使用する。このプロンプトは、再利用可能なテンプレートであり、「アトミック ROS ノード一覧」と「起動ファイル依存関係記述」を構造化されたコンテキストとして埋め込む。

   • プロンプトエンジニアリング： プロンプトは、エージェントの役割、目標、背景、期待される出力を定義し、合成を提供された証拠に厳密に制約する。
   • 合成： エージェントは、依存関係記述からのランタイムコンテキストを、ノードリストからのソースレベル定義およびコンポーネントレベルのインターフェースと整合させ、PlantUML で最終的な構成アーキテクチャモデルを生成する。
   • 検証： 出力は、ターゲットアーキテクチャ語彙（例：AtomicRosNodeClassifier、ComposedRosNodeClassifier、RosNodePart）および構造的制約を定義する UML ベースのブループリントに対して検証される。

主要な貢献

• 段階的復元戦略： ソースレベル分析とランタイム構成分析を分離する明示的な中間アーティファクト（JSON ベースのノードリストと起動依存関係記述）の導入。これにより、意味的曖昧さが軽減され、LLM 支援合成の制御性が向上する。
• 洗練されたプロンプト契約： 中間アーティファクトを LLM のコンテキストに直接統合する構造化されたプロンプティングメカニズム。これにより、生成されたアーキテクチャが一般的な知識ではなく、特定のリポジトリ証拠に基づいて担保されることを保証する。
• 多レベル復元： このアプローチは、2 つの抽象化レベルにわたってアーキテクチャの復元に成功している：
  • アトミックレベル： 個々のノードの実装レベル定義。
  • 構成レベル： 名前空間の伝播とリマップを含む、起動によって誘発されるサブシステム階層。

実験的評価
このアプローチは、協働型ロボットアーム、異種 ROS 2 アーティファクト、および複雑な機能ドメイン（コンピュータビジョン、運動計画、ハードウェアインターフェース）を特徴とする実世界の自動製品分解システムであるBrickByBrickケーススタディで評価された。このシステムは、4 つのパッケージ、10 のノードクラス、1 つの起動ファイルにわたる約 1,500 行の Python コードで構成されている。

評価では、特定のアーキテクチャメトリック要素（例：クラスファイヤ名、メッセージタイプ、サービスタイプ）における精度、リコール、および F1 スコアを使用して、復元された PlantUML モデルを手動で構築された参照モデルと比較した。

• アトミックレベルの結果： AtomicRosNodeClassifier 要素（ACD）の復元は、完璧なスコアを達成した：Precision = 1.0, Recall = 1.0, F1 = 1.0。これは、洗練されたプロセスが実装レベルの復元能力を強く維持していることを示している。
• 構成レベルの結果： サブシステム構成を表す ComposedClassifierDiagram 要素（CCD）の復元は、Precision = 1.0, Recall = 0.95, F1 = 0.98 を達成した。
  • 完全な精度は、生成されたすべてのシステムレベル要素がリポジトリ証拠によって構造的にサポートされていることを示唆する。
  • わずかなリコールのギャップ（0.95）は、少数の起動誘発構成関係の欠如を示しており、境界が暗黙的にエンコードされている場合、統合セマンティクスの完全な復元が依然として課題であることを浮き彫りにしている。

意義と主張
本論文は、提案された段階的ブループリントガイドアプローチが、従来の直接合成手法と比較して、アーキテクチャ復元の構造的整合性、スケーラビリティ、堅牢性を大幅に改善すると主張している。中間復元証拠を明示的にすることで、このアプローチは幻覚のリスクを軽減し、実装アーティファクトからアーキテクチャモデルへの追跡可能性を向上させる。

著者らは控えめに結論づけており、この手法は異種 ROS 2 アーティファクトから高忠実度のアーキテクチャ表現を復元することに成功しているものの、複雑な起動誘発構成と動的統合セマンティクスの完全な復元に関しては課題が残っていると述べている。今後の研究は、モデリング概念をより明示的な UML プロファイルに形式化すること、複雑な起動構文（名前空間の伝播、リマップ）へのサポートを拡張すること、および静的復元を補完するために行動的またはランタイム証拠を組み込むことに焦点を当てることが特定されている。