Bridging Code Property Graphs and Language Models for Program Analysis

1. 문제 정의 (Problem Statement)

대규모 언어 모델 (LLM) 은 실제 코드베이스의 보안 취약점 분석에 있어 다음과 같은 근본적인 한계에 직면해 있습니다:

• 토큰 제한 (Token Limits): 현대의 코드베이스는 수천 개의 파일과 수백만 줄의 코드로 구성되어 있어, 전체 리포지토리를 LLM 의 컨텍스트 윈도우에 로드하는 것이 불가능합니다. 이로 인해 기존 접근법은 고립된 코드 스니펫에만 의존하게 되어, 여러 함수와 파일을 가로지르는 취약점을 놓치게 됩니다.
• 심층적 의미 관계 부재 (Lack of Semantic Depth): 코드 임베딩 (Embedding) 은 문법적 패턴은 포착할 수 있지만, "함수 A 의 반환값이 함수 B 의 버퍼 쓰기로 흐른다"와 같은 함수 간 (Inter-procedural) 데이터 흐름이나 제어 의존성을 표현하지 못합니다.
• 복잡한 정적 분석 쿼리 생성의 어려움: Code Property Graph (CPG) 를 활용한 정적 분석은 강력한 도구이지만, 이를 위한 쿼리 언어 (CPGQL) 는 도메인 특화 언어로 복잡합니다. LLM 은 CPGQL 문법을 잘 모르거나 훈련 데이터가 부족하여 복잡한 쿼리를 생성할 때 할루시네이션 (허위 정보 생성) 이나 문법 오류를 빈번히 일으킵니다.

이러한 한계로 인해 LLM 은 대규모 코드베이스에서 분석가 수준의 추론을 수행하거나 교차 함수적 취약점을 발견하는 데 실패합니다.

2. 방법론 (Methodology)

저자는 **codebadger**라는 오픈소스 Model Context Protocol (MCP) 서버를 제안하여 이 문제를 해결합니다. codebadger 는 Joern 의 CPG 엔진과 LLM 을 통합하여, LLM 이 복잡한 CPGQL 쿼리를 직접 작성하지 않고도 고수준의 분석 도구를 사용할 수 있게 합니다.

• 아키텍처:

  • LLM 에이전트와 Joern 정적 분석 엔진 사이의 중개자 역할을 수행합니다.
  • LLM 이 리포지토리를 로드하면 codebadger 가 Joern 을 통해 CPG(코드 속성 그래프) 를 생성하고 세션을 관리합니다.
  • LLM 은 CPGQL 대신 고수준의 도구 함수 (Tool Functions) 를 호출하여 분석을 수행합니다.

• 핵심 도구 및 기능:

  • 프로그램 슬라이싱 (Program Slicing): 특정 취약점 지점에서 역방향으로 의존성을 추적하여 관련 코드만 추출합니다 (코드베이스 크기를 최대 90% 감소).
  • 테이팅 추적 (Taint Tracking): 신뢰할 수 없는 소스 (Source) 에서 민감한 싱크 (Sink) 로의 데이터 흐름을 추적합니다.
  • 데이터 흐름 분석 및 호출 그래프 추출: 변수의 기원과 전파 경로를 시각화하고 분석합니다.
  • 경계 확인 (Bounds Checking): 메모리 접근 시 경계 검증 로직이 존재하는지 분석합니다.

• 작동 원리:

  • LLM 은 전체 파일을 읽는 대신, find_taint_sources, get_program_slice 등의 도구를 호출하여 **의미적 탐색 (Semantic Navigation)**을 수행합니다.
  • 이는 인간 분석가가 호출 그래프를 따라 취약점 경로를 추적하는 방식과 유사하며, 불필요한 토큰 소모를 방지합니다.

3. 주요 기여 (Key Contributions)

1. codebadger 도구 개발: CPG 엔진과 LLM 을 연결하는 오픈소스 MCP 서버를 공개하여, LLM 이 대규모 코드베이스에서 정적 분석을 수행할 수 있는 인프라를 제공합니다.
2. 고수준 추상화 제공: LLM 이 복잡한 CPGQL 문법을 학습하거나 생성할 필요 없이, 의미론적 분석 도구 (슬라이싱, 테이팅 등) 를 통해 전문적인 보안 분석이 가능하도록 합니다.
3. 실제 사례를 통한 검증:
   • 코드 이해: 8,000 개 이상의 메서드를 가진 GGML 라이브러리 전체를 분석하여 메모리 안전성 패턴을 감사했습니다.
   • 새로운 취약점 발견: libtiff 라이브러리에서 보고되지 않은 버퍼 오버플로우 취약점을 발견하고 이를 악용하는 PoC(Proof of Concept) 를 생성했습니다.
   • 자동 패치 생성: libxml2 의 CVE-2025-6021 (정수 오버플로우) 에 대해 첫 시도에서 유지보수진이 적용한 패치와 유사한 정확한 수정 코드를 생성했습니다.

4. 실험 결과 및 사례 연구 (Results & Use Cases)

논문의 3 가지 주요 사례 연구는 codebadger 의 효과를 입증합니다:

• Case 1: GGML 라이브러리 메모리 안전성 감사 (규모 확장성)

  • 8,667 개의 메서드와 198,006 개의 함수 호출을 분석했습니다.
  • LLM 은 전체 코드를 읽지 않고 find_taint_sources 등을 통해 메모리 할당 지점과 위험한 연산을 식별했습니다.
  • 결과: alloca 사용 시 크기 제한 부재, 정수 오버플로우 위험, 포인터 연산 검증 부재 등 여러 문제를 발견했습니다.

• Case 2: libtiff 의 미보고된 버퍼 오버플로우 발견 (의미론적 정확성)

  • tif_getimage.c 파일에서 col_offset 변수가 검증되지 않은 채 포인터 연산에 사용되어 버퍼 오버플로우가 발생할 수 있음을 발견했습니다.
  • 결과: LLM 은 데이터 흐름을 추적하여 취약점을 확인하고, AddressSanitizer (ASAN) 로 검증된 악성 TIFF 파일 생성 PoC 를 작성했습니다. 이는 단순한 패턴 매칭으로는 불가능한 교차 함수적 분석의 성공 사례입니다.

• Case 3: libxml2 CVE-2025-6021 패치 (자동화 및 정확성)

  • xmlBuildQName 함수의 정수 오버플로우 취약점을 분석했습니다.
  • 결과: LLM 은 get_program_slice 와 get_data_dependencies 를 사용하여 취약점의 근본 원인 (길이 계산 시 정수 오버플로우) 을 파악하고, 첫 시도에서 올바른 패치 (크기 확인 로직 추가 및 size_t 타입 사용) 를 생성했습니다. 이 패치는 실제 유지보수진이 적용한 수정안과 거의 일치했습니다.

5. 의의 및 결론 (Significance & Conclusion)

• LLM 기반 보안 분석의 패러다임 전환: codebadger 는 LLM 이 단순히 코드를 생성하거나 요약하는 것을 넘어, **전체 리포지토리에 걸친 컨텍스트 인식 추론 (Context-aware Reasoning)**을 가능하게 합니다.
• 확장성: 토큰 제한을 우회하여 대규모 코드베이스에서도 정밀한 정적 분석을 수행할 수 있게 하여, 취약점 발견, 패치, 프로그램 이해를 자동화합니다.
• 실용성: 실제 산업계 코드베이스 (GGML, libtiff, libxml2) 에서 검증된 결과, 이 접근법이 이론적 가능성을 넘어 실제 보안 운영 (SVM) 에 기여할 수 있음을 보여줍니다.

한계점 및 향후 과제:

• Joern 의 CPG 생성은 매우 대규모 코드베이스 (예: Linux 커널) 에서는 메모리 오버헤드가 발생할 수 있습니다.
• LLM 의 도구 체이닝 (Tool-chaining) 능력에 따라 결과가 달라질 수 있으며, 복잡한 CPGQL 쿼리가 필요한 경우 여전히 LLM 의 성능 저하가 발생할 수 있습니다.
• 런타임 취약점 (경쟁 조건 등) 분석에는 한계가 있습니다.

결론적으로, 이 연구는 LLM 과 정적 분석 도구의 강력한 시너지를 통해 대규모 소프트웨어의 보안성을 향상시키는 새로운 방향을 제시합니다.