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

기술 요약: ATLAS – C 및 C++를 위한 멀티뷰 코드 표현 도구

문제 정의
소프트웨어 공학을 위한 머신러닝(ML4SE)은 구문 구조, 실행 경로 및 변수 의존성을 포착하기 위해 추상 구문 트리(AST), 제어 흐フロー 그래프(CFG), 데이터 흐름 그래프(DFG)를 정렬하는 멀티뷰 코드 그래프에 점점 더 의존하고 있습니다. GraphCodeBERT와 CodeSAM 같은 모델들이 구조적 뷰가 텍스트 기반 베이스라인보다 우수함을 입증했음에도 불구하고, C 및 C++의 경우 완전한 빌드 환경 없이 이러한 정렬된 소스 레벨 뷰를 생성할 수 있는 단일 도구가 존재하지 않는다는 심각한 격차가 존재합니다.

현재의 도구들은 다음과 같은 구체적인 한계에 직면해 있습니다:

• 컴파일러 기반 프레임워크(예: SVF, PhASAR)는 해결된 빌드를 요구하며, 소스 레벨의 변수 이름과 구조적 맥락을 버리는 중간 표현(IR) 상에서 동작합니다.
• 쿼리 기반 분석기(예: CodeQL, Clang Static Analyzer) 역시 완전한 빌드를 필요로 합니다.
• 소스 전용 파서(예: Joern, Tree-sitter)는 상호 프로시저 분석(inter-procedural analysis) 기능이 부족하거나, 제어 또는 데이터 흐름 생성이 불가능하거나, C/C++의 특정 의미론적 복잡성(포인터 에일리어싱, 수동 메모리 관리, 런타임 타입 정보의 부재 등)을 처리하지 못합니다.
• 기존 멀티뷰 도구(예: COMEX)는 대개 메모리 관리 언어에 국한되어 있으며, C/C++에는 적용되지 않는 가정을 기반으로 합니다.

결과적으로, 실무자들은 정렬된 뷰를 얻기 위해 여러 개의 단일 목적 도구를 결합해야 하며, 많은 기존 도구들은 헤더 파일이 누락된 서브모듈과 같은 부분적인 입력이 주어졌을 때 제대로 작동하지 않습니다.

방법론: ATLAS 파이프라인
ATLAS는 컴파일이나 빌드 데이터베이스 없이 C 및 C++ 소스 파일로부터 AST, 소스 레벨 상호 프로시저 CFG, 그리고 도달 정의(reaching-definition) DFG를 추출하도록 설계된 명령줄 도구입니다. 이는 4단계 파이프라인으로 작동합니다:

1. 전처리기(Preprocessor): 다중 파일 프로젝트를 단일 파일로 병합합니다. 프로젝트 로컬 매크로와 typedef를 수집하고, 시스템 헤더는 불투명한 선언(opaque declarations)으로 취급하면서 프로젝트 내부 헤더를 인라인화합니다. 조건부 컴파일의 경우, C에서는 #ifdef/#else 양쪽 팔(arm)을 모두 유지하거나, C++에서는 소스 내 #define 값에 따라 결정된 팔을 선택합니다.
2. 파서(Parser): Tree-sitter를 사용하여 구문 트리를 구축하고, 심볼 테이블을 생성하며, 모든 노드에 고유한 정수 식별자를 할당합니다. 결정적으로, 알 수 없는 타입의 심볼은 unknown_t로 태깅되어 와일드카드로 취급됩니다. 이는 누락된 선언이 콜 그래프나 def–use 해소(resolution)를 차단하는 것을 방지합니다. 모든 드라이버는 이 공유된 식별자 공간 위에서 동작하여, AST, CFG, DFG 노드가 단일 네임스페이스를 공유하도록 보장합니다.
3. 코드 뷰 생성기(Code-View Generator): 네 가지 드라이버(AST, CFG, DFG, Multi-View)가 공유 모델 위에서 동작합니다:
   • AST: 의미론적 노드만을 남기도록 구체 구문 트리(CST)를 가지치기(pruning)합니다.
   • CFG: 소스 문장 레벨의 상호 프로시저 그래프를 구축합니다. 직접 호출, 클래스 계층 분석(CHA)을 통한 가상 호출, 그리고 포인터의 마지막 가시적 할당을 추적하는 함수 포인터 호출을 해결합니다. 대상이 해결되지 않을 경우, 시그니처가 호환되는 호출 대상들로 확장(fan out)됩니다.
   • DFG: 상호 프로시저 흐름을 갖는 도달 정의 엣지를 추가합니다. 호출 간의 참조 전달 인자와 멤버 액세스를 추적하지만, 포인트 투 분석(points-to analysis)의 부재로 인해 포인터 산술, 힙에 저장된 포인터, 또는 void* 콜백을 통한 에일리어싱은 모델링하지 않습니다.
   • Multi-View: 선택된 뷰들을 하나의 그래프로 병합하며, 여기서 엣지는 뷰 클래스에 따라 색상이 지정되어 다운스트림 소비자가 재분석 없이 특정 뷰를 필터링할 수 있게 합니다.
4. 시각화 도구(Visualizer): 결과를 JSON, Graphviz DOT, 또는 PNG로 내보냅니다.

이 도구는 분석을 다시 실행하지 않고도 그래프 크기를 조정할 수 있는 세 가지 명령줄 플래그를 지원합니다: 뷰 선택, 변수 콜랩싱(반복되는 식별자 병합), 그리고 노드 블랙리스트 지정(특정 구문 범주 제거).

주요 기여

• 빌드 프리 추출(Build-Free Extraction): ATLAS는 컴파일 데이터베이스 없이도 부분적인 입력(예: 헤더가 누락된 서브모듈)에 대해 동작합니다.
• 교차 뷰 정렬(Cross-View Alignment): 공유 식별자를 사용함으로써, 사용자는 통합된 그래프에서 엣지를 필터링하여 임의의 단일 뷰(AST, CFF, DFG)를 복구할 수 있습니다.
• 구성 가능한 그래프 크기 조정: CLI 플래그를 통해 훈련 목적의 그래프 크기를 줄이기 위한 변수 콜랩싱 및 노드 블랙리스트 기능을 제공합니다.
• 경험적 검증: ATLAS는 실제 C 및 C++ 코퍼스에서 테스트되었으며, 다운스트림 테스트 생성 시스템에 통합되었습니다.

결과 및 평가
저자들은 TheAlgorithms 코퍼스(C 파일 406개, C++ 파일 360개)를 대상으로 ATLAS를 평가했습니다:

• 정확도: ATLAS는 C 파일의 96.80%, C++ 파일의 **91.67%**에 대해 올바른 CFG를 생성합니다. 올바른 DFG는 C 파일의 91.38%, C++ 파일의 **90.56%**에서 생성되었습니다.
• 실패 모드: 실패는 goto 문, 멀티스레딩, 런타임 포인터 산술, 연산자 오버로딩, 정적 클래스 멤버와 같이 지원되지 않는 특정 구조에 국한되었습니다. 이는 구현상의 버그가 아닌 문서화된 제한 사항입니다.
• 부분 입력 처리: 헤더 파일이 삭제된 시나리오에서, ATLAS는 연결된 상호 프로시저 CFG 및 DFG를 성공적으로 구축했습니다. 결과 그래프는 선언 노드의 부재를 제외하고는 전체 빌드 버전과 구조적으로 동일했습니다.
• 성능: 가장 큰 20개의 C 프로그램(61–309 LOC)에 대해, CFG 생성의 중앙값 실행 시간은 6.89초였으며 피크 메모리는 135 MB였습니다. libcurl(124K LOC)에 대한 전체 실행에는 약 23분이 소요되었습니다.
• 다운스트림 유용성: SPARC(LLM 기반 유닛 테스트 생성 프레임워크)의 CFG 프런트엔드로 사용되었을 때, ATLAS는 컨텍스트가 없는 베이스라인 대비 라인 커버리지에서 31.36% 절대적 향상, 브랜치 커버리지에서 26.01%의 향상을 달eri며, 복잡한 대상에 대해 KLEE를 능가하거나 대등한 성능을 보였습니다.

의의 및 주장
본 논문은 ATLAS가 저자들이 아는 한, 소스 레벨 동작, 상호 프로시저 CFG 구축, 부분 입력 허용성, 그리고 공유 식별자 멀티뷰 정렬을 동시에 만족하는 유일한 도구라고 주장합니다. 정렬된 멀티뷰 그래프를 얻기 위한 장벽을 낮춤으로써, ATLAS는 빌드 의존성이나 통합된 구조적 표현의 부재로 인해 분석이 어려웠던 C/C++ 코드베이스에 대한 ML4SE 연구를 촉진합니다. 이 도구는 오픈 소스이며, Docker 이미지로 배포되며, 재현성을 위한 스크린캐스트를 포함하고 있습니다.

한계점
저자들은 ATLAS가 포인트 투 분석(points-to analysis)을 수행하지 않음을 명시적으로 밝히고 있습니다. 즉, 포인터 산술, 힙에 저장된 포인터, 또는 void* 콜백을 통한 에일리어싱을 완전히 해결할 수 없습니다. 또한 완전한 C++ 프런트엔드 없이 템플릿, 예외 처리, 복잡한 상속과 같은 C++ 기능을 근사적으로 처리합니다. 검증은 현재 작은 파일들로 제한되어 있으며, 대규모 프로젝트 스윕 및 사용자 연구가 향후 과제로 식별되었습니다.