LLM4C2Rust: Large Language Models for Automated Memory-Safe Code Transpilation

1. 연구 배경 및 문제 정의 (Problem)

• 메모리 안전성 위기: C/C++ 언어는 시스템 프로그래밍의 핵심이지만, 수동 메모리 관리로 인해 버퍼 오버플로우, 덩글링 포인터, 데이터 레이스와 같은 메모리 안전성 취약점의 약 70% 를 차지합니다.
• 전환의 필요성: Rust 는 컴파일 시 소유권 (ownership) 과 빌림 (borrowing) 모델을 통해 이러한 취약점을 원천 차단하며, C 와 유사한 성능을 제공하여 레거시 시스템 현대화의 이상적인 대상입니다.
• 기존 방법의 한계:
  • 수동 변환: 시간 소모가 크고 오류가 발생하기 쉽습니다.
  • 규칙 기반 자동화: 유연성이 부족하고 C 의 저수준 관습을 그대로 가져와 Rust 의 안전성 이점을 충분히 발휘하지 못합니다.
  • 기존 LLM 기반 접근: 대규모 언어 모델 (LLM) 은 유창한 코드를 생성하지만, '할루시네이션 (Hallucination, 사실과 다른 정보 생성)' 경향이 있어 생성된 코드가 원래 의도와 다르거나 안전하지 않을 수 있습니다.

핵심 문제: C/C++ 레거시 코드를 Rust 로 자동 변환하되, 메모리 안전성을 보장하고 할루시네이션을 최소화하는 효율적인 프레임워크를 구축하는 것입니다.

2. 제안된 방법론 (Methodology)

저자들은 검색 증강 생성 (RAG, Retrieval-Augmented Generation) 을 활용한 하이브리드 프레임워크를 제안합니다. 이 프레임워크는 LLM 의 유창함과 외부 지식의 정확성을 결합합니다.

주요 구성 요소 및 프로세스:

1. 코드 분할 전략 (Segmentation Strategy):
   • 전체 파일을 함수 단위가 아닌, 중괄호 {} 의 균형과 길이 (최소 500 자) 를 기준으로 블록 단위로 분할합니다.
   • 이는 토큰 제한을 준수하면서도 LLM 에게 충분한 문맥을 제공합니다.
2. 2 단계 변환 파이프라인:
   • 1 단계 (초기 변환): C/C++ 세그먼트를 LLM 에게 전달하여 기능적 동등성을 유지하는 '불안전한 (unsafe)' Rust 코드로 변환합니다.
   • 2 단계 (정제 및 RAG 적용): 생성된 Rust 코드를 다시 LLM 에게 전달하되, RAG 파이프라인을 통해 Rust 문서, 안전 모범 사례, 컴파일러 오류 참조 등을 컨텍스트로 추가합니다. 이 단계에서 모델은 Raw Pointer Dereferences (RPDs) 와 Unsafe Type Casts (UTCs) 를 제거하고 메모리 안전성을 높도록 지시받습니다.
3. 검증 계층 (Verification Layer):
   • 모델 자체 평가: LLM 이 생성한 코드의 안전성 지표 (RPD, UTC 수) 를 스스로 추정합니다.
   • 컴파일러 검증: 생성된 Rust 코드를 rustc (Rust 컴파일러) 로 컴파일하고, 커스텀 스크립트를 통해 실제 컴파일 오류 코드 (E0133, E0392 등) 와 unsafe 블록 수를 정량적으로 측정하여 'Ground Truth'를 확보합니다.
4. 사용된 모델: GPT-4o, GPT-4-Turbo (대규모 LLM), o3-mini (소규모 언어 모델, SLM) 를 비교 평가했습니다.

3. 주요 기여 (Key Contributions)

1. 새로운 변환 프레임워크: LLM 과 RAG 를 통합하여 C/C++ 에서 Rust 로의 변환 품질 (특히 보안성) 을 향상시키는 새로운 아키텍처를 제안했습니다.
2. LLM 의 메모리 안전성 생성 능력 평가: 최신 LLM 들이 기능적 동등성을 유지하면서 메모리 안전 Rust 코드를 생성할 수 있는지 실증했습니다.
3. 할루시네이션 완화 기법 검증: 관련 소스 (Rust 문서 등) 를 검색하여 프롬프트에 주입하는 RAG 방식이 LLM 의 할루시네이션을 줄이고 생성된 코드의 정확성을 높이는지 입증했습니다.

4. 실험 결과 (Results)

GNU Coreutils 의 7 개 프로그램 (uniq, cat, pwd 등) 을 대상으로 실험을 수행했습니다.

• 성능 비교:
  • GPT-4o 및 GPT-4-Turbo: RAG 를 적용한 후 Raw Pointer Dereferences (RPDs) 와 Unsafe Type Casts (UTCs) 를 대폭 감소시켰습니다. 특히 uniq, cat, head 등 여러 프로그램에서 RPD 와 UTC 를 완전히 0 으로 제거하여 컴파일러 검증과 일치하는 결과를 보였습니다.
  • o3-mini (SLM): 문법적으로 올바른 코드를 생성하지만, 안전성 지표 개선 정도를 과장하여 보고하는 할루시네이션 경향이 가장 컸습니다. 때로는 #![forbid(unsafe_code)] 와 같은 지시어를 추가하지만 실제 unsafe 블록은 제거하지 않아 안전성 개선이 제한적이었습니다.
• RAG 의 효과: RAG 를 사용한 경우, 모델의 자체 추정치와 컴파일러 검증 결과 간의 편차가 줄어들어 할루시네이션이 감소하고 사실 기반 (factual grounding) 이 강화되었습니다.
• 기존 기법 대비 우위: 기존 도구 (C2SaferRust, LAC2R) 보다 RPD 와 ULoC (Unsafe Lines of Code) 감소율에서 더 높은 성능을 보였습니다.

5. 의의 및 결론 (Significance)

• 레거시 시스템 현대화: C/C++ 로 작성된 중요한 인프라를 Rust 로 자동 변환하여 메모리 안전성을 확보할 수 있는 실용적인 경로를 제시했습니다.
• AI 기반 소프트웨어 공학 (AI4SE): LLM 이 단순히 코드를 생성하는 것을 넘어, 외부 지식 (RAG) 과 정적 분석 도구 (컴파일러) 를 결합하여 신뢰할 수 있는 안전성 검증이 가능한 수준으로 발전했음을 보여줍니다.
• 향후 방향: 본 연구는 소규모 벤치마크에 국한되었으나, 향후 더 대규모의 코드베이스 (LAERTES 벤치마크 등) 로 확장하여 산업 수준의 레거시 마이그레이션에 적용 가능한지 검증할 필요가 있음을 제시했습니다.

요약하자면, 이 논문은 LLM 에 RAG 기술을 접목하여 C/C++ 코드를 메모리 안전성이 보장된 Rust 코드로 변환하는 새로운 패러다임을 제시하며, 이를 통해 할루시네이션을 줄이고 실제 컴파일러 검증 수준까지 안전성을 높일 수 있음을 실증했습니다.