1. 연구 배경 및 문제 정의 (Problem)

• 코드 번역의 중요성: 소프트웨어 유지보수, 성능 최적화, 시스템 현대화 등을 위해 한 프로그래밍 언어 (Source) 에서 다른 언어 (Target) 로 코드를 번역하는 작업이 필수적입니다.
• 기존 방법의 한계:
  • 전통적 학습 기반 (TransCoder 등): 병렬 학습 데이터 (Source-Target 쌍) 가 부족하고, 모델 학습에 막대한 비용이 소요됩니다.
  • 최신 LLM 기반 (UniTrans 등): LLM 의 강력한 생성 능력을 활용하지만, 번역된 코드에 구문 오류 (Syntax Errors) 와 의미론적 오류 (Semantic Errors) 가 여전히 존재합니다.
• 핵심 문제:
  • 구문 오류: 컴파일러 오류 메시지가 모호하여 LLM 이 정확한 수정을 수행하기 어렵습니다.
  • 의미론적 오류: 전체 프로그램의 입력/출력만으로는 LLM 이 구체적인 오류 발생 위치 (Fine-grained location) 를 파악하기 어렵습니다. 특히, 실행 시 변수 값의 미세한 차이를 포착하지 못해 논리적 오류를 수정하지 못합니다.
  • 코드 매핑의 어려움: 소스 코드와 타겟 코드의 구조적 차이 (예: 한 줄이 여러 줄로 변환되거나 순서가 바뀌는 경우) 로 인해 기존 LLM 기반의 문장 단위 (Statement-level) 매핑은 신뢰도가 낮습니다.

2. 제안 방법론: TransAgent (Methodology)

TransAgent 는 번역 오류를 제거하기 위해 세밀한 실행 정렬 (Fine-Grained Execution Alignment) 을 핵심 아이디어로 한 4 개의 협업 에이전트 (Multi-Agent System) 로 구성된 시스템입니다.

2.1. 주요 구성 요소 (4 Agents)

1. Initial Code Translator (초기 코드 번역기):
   • 주어진 소스 코드에 대한 테스트 케이스를 생성하고, 이를 활용하여 초기 타겟 코드를 생성합니다.
2. Syntax Error Fixer (구문 오류 수정기):
   • 컴파일러/인터프리터의 오류 메시지를 수집합니다.
   • LLM 을 활용하여 모호한 오류 메시지를 구체적인 수정 전략 (Fixing Strategy) 으로 변환한 후, 패치를 생성하여 구문 오류를 반복적으로 수정합니다.
3. Code Aligner (코드 정렬기) - [핵심 혁신]:
   • 문제 해결: 기존 문장 단위 매핑의 한계를 극복하기 위해 제어 흐름 그래프 (CFG) 기반의 블록 분할을 도입합니다.
   • 작동 방식: 소스 코드를 CFG 를 기반으로 논리적 블록 (Block) 단위로 분할한 후, LLM 을 사용하여 각 소스 블록을 타겟 코드의 대응 블록에 매핑합니다.
   • 효과: 줄 이동 (Line shift) 이나 구조적 차이로 인한 매핑 실패를 줄이고, 더 견고한 정렬을 가능하게 합니다.
4. Semantic Error Fixer (의미론적 오류 수정기):
   • 실행 정렬: 정렬된 소스/타겟 블록 쌍을 동시에 실행하여 런타임 변수 값을 수집하고 비교합니다.
   • 오류 국소화: 두 블록 간 런타임 값이 다른 경우, 해당 타겟 블록을 '오류 블록'으로 식별합니다.
   • 수정 전략:
     • Vanilla Strategy: 정적 코드 정보만 활용하여 수정.
     • Value-aware Strategy: 런타임 변수 값 (예: 오버플로우 발생 시의 값) 을 프롬프트에 포함시켜 LLM 이 데이터 타입 오류 등을 인지하도록 유도.
   • 두 전략을 상호 보완적으로 사용하여 오류를 정밀하게 수정합니다.

3. 주요 기여 (Key Contributions)

1. 새로운 LLM 기반 코드 번역 기술 (TransAgent): 구문 및 의미론적 오류를 해결하기 위한 다중 에이전트 시스템 제안.
2. 혁신적인 코드 매핑 전략 (Code Aligner): 제어 흐름 분석 (CFG) 과 LLM 의 시너지를 활용한 블록 단위 (Block-level) 매핑 전략 개발. 이는 기존 문장 단위 매핑보다 훨씬 강력합니다.
3. 새로운 코드 번역 벤치마크: 기존 벤치마크의 데이터 누수 (Data Leakage) 문제를 해결하기 위해, LLM 의 학습 데이터 컷오프 (2023 년 8 월 이후) 이후에 생성된 최신 프로그래밍 과제 (LeetCode, GeeksforGeeks 등) 를 기반으로 한 새로운 벤치마크 구축.
4. 포괄적인 평가: 번역 정확도, 에이전트별 기여도 (Ablation Study), 수정 정확도, 다양한 LLM 에 대한 일반화 성능 등을 체계적으로 평가.

4. 실험 결과 (Results)

연구진은 새로 구축한 벤치마크 (Java, Python, C++ 간 번역) 를 사용하여 TransAgent 를 평가했습니다.

• 전체 번역 성능 (RQ1):
  • TransAgent 는 최신 학습 기반 방법인 TransCoder보다 87.1% 높은 정확도 (CA) 를 달성했습니다.
  • 최신 LLM 기반 방법인 UniTrans보다 33.3% 높은 정확도를 보였습니다 (예: Python-to-Java 번역에서 UniTrans 56.2% vs TransAgent 89.5%).
  • 통계적으로 유의미한 우위 ($p \ll 0.001$) 를 입증했습니다.
• 에이전트 기여도 (RQ2):
  • Syntax Error Fixer 와 Semantic Error Fixer 가 모두 번역 성능 향상에 크게 기여했습니다.
  • 특히 Semantic Error Fixer 는 동적 언어와 정적 언어 간 번역에서 큰 개선을 보여주었습니다.
  • Value-aware 및 Vanilla 수정 전략의 상호 보완적 효과가 입증되었습니다.
• 수정 정확도 (RQ3):
  • 프로그램 수정 (Repair) 성능에서 Agentless보다 평균 56.7% 높았으며, TransMap 전략을 적용한 변형체 (TransAgentTM) 보다 14.5% 높았습니다.
  • 이는 정밀한 오류 국소화 (Fault Localization) 가 수정 성공률에 결정적임을 보여줍니다.
• 일반화 성능 (RQ4):
  • Deepseek-Coder, Llama-3, ChatGLM2 등 다양한 크기와 아키텍처의 LLM 에서도 일관된 성능 향상을 보였습니다.

5. 의의 및 결론 (Significance)

• 기술적 의의: LLM 기반 코드 번역의 핵심 병목 현상인 '정확하지 않은 오류 국소화' 문제를 동적 실행 상태 비교 (Runtime Execution Comparison) 와 블록 단위 정렬을 통해 해결했습니다.
• 실용적 가치: 기존 방법론이 놓치던 미세한 논리적 오류 (예: 데이터 타입 오버플로우, 정렬 순서 오류 등) 를 효과적으로 수정하여, 실제 소프트웨어 현대화 및 유지보수 작업에 적용 가능한 높은 신뢰도를 제공합니다.
• 미래 방향: TransAgent 는 함수 단위 번역에서 프로젝트 단위 번역으로 확장 가능한 구조를 가지며, 실행 기반의 피드백 루프를 통해 LLM 의 코드 이해 및 생성 능력을 극대화하는 새로운 패러다임을 제시합니다.

요약하자면, TransAgent는 LLM 의 번역 능력을 극대화하기 위해 정적 분석 (CFG) 과 동적 실행 (Runtime Value) 을 결합한 다중 에이전트 시스템으로, 기존 방법론보다 훨씬 정밀하고 정확한 코드 번역을 가능하게 합니다.