기술 요약: RustPrint – 문서 기반 에이전트형 C 에서 Rust 로의 코드베이스 마이그레이션

문제 정의

C 의 포인터 모델에 내재된 메모리 안전성 취약점을 해결하기 위해 레거시 C 저장소를 Rust 로 마이그레이션하는 것은 중요하지만, 여전히 상당한 엔지니어링 과제로 남아 있습니다. 기존 번역 도구 (예: C2Rust) 는 종종 파일 또는 함수 수준에서 작동하여 C 스타일의 구조를 유지하거나 unsafe 블록의 과도한 사용을 초래하거나, 원래 시스템의 아키텍처 의도, 데이터 흐름, 설계 근거를 포착하지 못합니다. 또한, 현재 대규모 언어 모델 (LLM) 기반 접근법은 저장소 규모의 작업에서 어려움을 겪으며, 모듈 간 전체적 이해와 조율의 부재로 인해 대규모 코드베이스 (11K~84K 줄의 코드) 에 대한 컴파일 가능한 출력을 생성하지 못합니다. 핵심 문제는 마이그레이션이 공유 데이터 구조, 모듈 경계, 파일 간 불변식에 대한 정신적 모델이 필요한 코드베이스 이해 작업이라는 점이며, 이는 고립된 번역 전략으로는 복원할 수 없다는 것입니다.

방법론: RustPrint 프레임워크

RustPrint 는 저장소 수준의 C 에서 Rust 로의 마이그레이션을 위해 설계된 다중 에이전트 프레임워크입니다. 이는 자동으로 생성된 문서가 계획, 번역, 정제를 안내하는 중간 표현 (IR) 으로 작용하는 문서 주도 패러다임을 도입합니다. 이 프레임워크는 5 단계 파이프라인을 통해 작동합니다:

1. 문서 기반 코드 번역

코드 단위를 하나씩 번역하는 대신, RustPrint 는 전용 DocGen 모듈을 사용하여 소스 C 코드베이스의 전체적 문서를 먼저 생성합니다.

• 프로세스: 소스 저장소는 파일 수준에서 클러스터링된 후 더 높은 수준의 구성 요소 추상화로 승격됩니다. DocGen 모듈은 단순한 구문 설명이 아닌 추상적 기능, 모듈 상호작용, 설계 근거를 포착하는 구조화된 문서 ($S_{doc}$) 를 생성합니다.
• 에이전트:
  • Planner: $S_{doc}$을 크레이트 수준의 구현 계획 (IMPLEMENTATION_PLAN.md) 으로 변환하여 아키텍처 세부 사항을 해결하고 구성 요소 책임을 정의합니다.
  • Translator: cargo_check 를 통한 반복적 확인으로 컴파일 가능성을 보장하고 detect_unsafe 를 통해 unsafe 블록을 최소화하면서 계획된 각 크레이트를 구현합니다.
  • Synthesizer: 크레이트 간 종속성을 해결하고 통합된 README.md 를 생성하여 저장소 수준의 통합을 수행합니다.

2. 요구사항 주도 코드 정제

의미적 완전성을 보장하기 위해 RustPrint 는 생성된 Rust 코드베이스의 문서 ($T_{doc}$) 를 소스 문서 ($S_{doc}$) 와 비교하는 반복적 정제 메커니즘을 사용합니다.

• 메커니즘: 시스템은 문서 동등성을 통해 기능 보존을 근사화합니다: $CodeEquiv(S, T) \approx DocEquiv(S_{doc}, T_{doc})$.
• 에이전트: RequirementRefiner는 $T_{doc}$이 $S_{doc}$과 일치하지 않는 간극 (예: 누락된 기능, 불일치하는 API) 을 식별합니다. str_replace_editor 를 사용하여 번역된 코드를 편집하고 컴파일을 확인한 후, 누락되거나 정렬되지 않은 기능을 반복적으로 수정합니다.

3. 실행 인식 코드 수정

문서 비교만으로는 모든 런타임 오류를 드러낼 수 없다는 점을 인식하여, 프레임워크는 테스트 주도 피드백 루프를 추가합니다.

• 프로세스: 소스 테스트 스위트는 TestTranslator에 의해 Rust 로 번역됩니다.
• 에이전트: ExecutionRevisor는 cargo_single_test 를 사용하여 실패한 테스트를 분석합니다. 이는 테스트가 아닌 번역된 생산 코드만 업데이트하여 정렬은 유지되지만 구체적인 실행 하에서 실패하는 엣지 케이스, 상태 업데이트, 프로토콜 불일치와 같은 행동적 불일치를 수정합니다.

주요 기여

1. 문서 주도 마이그레이션 패러다임: 이 논문은 저장소 수준 번역을 위한 중간 표현으로 자동으로 생성된 코드베이스 문서를 사용하는 것을 제안합니다. 이 접근법은 번역 전에 전체 코드베이스 이해를 인코딩하여, 단순한 구문 구조 복제가 아닌 아키텍처 의도를 보존하는 관용적인 Rust 를 생성할 수 있게 합니다.
2. 문서 기반 반복적 정제: 소스 문서와 생성된 Rust 코드의 문서를 비교하여 생성된 코드를 평가하고 개선하는 메커니즘으로, 체계적으로 커버리지 간극을 식별하고 구조적 정렬을 촉진합니다.
3. 실행 인식 수정: 테스트 주도 피드백의 통합을 통해 시스템은 동적 테스트 실행을 통해 행동적 불일치를 반복적으로 수정하여 정적 번역이 보장하는 것을 넘어 기능적 정확성을 달성합니다.
4. 대규모 평가: 이 프레임워크는 11K 에서 84K 줄의 코드 (LoC) 에 이르는 8 개의 실제 C 저장소에서 평가되었으며, 작은 벤치마크에 초점을 맞춘 이전 연구의 한계를 극복했습니다.

실험 결과

평가는 두 가지 모델 백본을 사용하여 8 개의 저장소에서 수행되었습니다: 오픈 가중치 모델 (Kimi-K2-Instruct) 과 클로즈드 가중치 모델 (GPT-5.4) 입니다. 베이스라인에는 전통적인 도구 (C2Rust) 와 LLM 기반 에이전트 (Self-Repair, EvoC2Rust, 그리고 에이전트형 Claude Code 베이스라인) 가 포함되었습니다.

• 프로젝트 컴파일 가능성: RustPrint 는 두 모델 백본 하에서 모든 대상 저장소를 성공적으로 컴파일했습니다. 반면, 베이스라인 LLM 번역기 (Self-Repair, EvoC2Rust) 는 이 규모에서 엔드투엔드 컴파일 가능한 저장소를 생성하지 못했습니다. C2Rust 는 컴파일되었으나 unsafe 사용이 여전히 많았습니다.
• 기능 보존: CodeWikiBench 점수를 통해 측정된 결과, RustPrint 는 Claude Code 베이스라인을 크게 능가했습니다.
  • Kimi-K2-Instruct 사용 시: RustPrint 는 **93.26%**를 달성한 반면 Claude Code 는 52.52% 였습니다.
  • GPT-5.4 사용 시: RustPrint 는 **97.76%**를 달성한 반면 Claude Code 는 48.87% 였습니다.
• 기능적 정확성: 교차 평가 프로토콜 (Claude Code 의 테스트로 RustPrint 의 출력을 테스트하고 그 반대로도 테스트) 을 사용하여 RustPrint 는 우수한 견고성을 보여주었습니다.
  • Kimi-K2-Instruct: 95.17% 테스트 통과율 (TPR) 대 Claude Code 의 79.85%.
  • GPT-5.4: 98.70% TPR 대 Claude Code 의 79.85%.
• 안전성: RustPrint 는 unsafe 블록을 최소화하여 높은 안전성률을 달성했습니다. GPT-5.4 를 사용하면 API 수준에서 99.41%, 파일 수준에서 **98.47%**의 안전률을 기록하여 다른 방법들을 능가했습니다.

중요성과 주장

이 논문은 문서 기반 조율이 확장 가능한 코드베이스 마이그레이션을 위한 실현 가능하고 효과적인 방향이라고 주장합니다. 결과는 마이그레이션을 단순한 원시 코드 생성 작업이 아니라 파일, 인터페이스, 수정 단계 간의 조율 문제로 취급하는 것이 저장소 규모의 성공에 필수적임을 시사합니다.

저자들은 다음과 같은 점을 강조합니다:

• 계획과 정제가 일회성 번역보다 중요하다: 문서 생성, 소스 대비 비교, 실행 피드백 기반 정제의 반복적 루프는 복잡한 모듈 간 종속성을 처리하는 데 중요합니다.
• 문서는 운영 가이드로 작용한다: 이는 단순한 배경 맥락이 아니라 누락된 요구사항의 복구와 구조적 정렬을 주도하는 기능적 청사진입니다.
• 행동적 정확성은 달성 가능하다: 교차 스위트 테스트 결과는 이득이 단순한 문서적 수준이 아니며, 번역된 저장소가 실제 런타임 행동을 보존함을 나타냅니다.

이 논문은 현재 연구가 현실적인 저장소에 대한 강력한 첫 번째 결과임을 나타내지만, 혼합 언어 저장소 처리, 더 깊은 외부 종속성, 덜 표준화된 빌드 시스템과 같은 향후 개선의 명확한 길이 남아 있다고 결론지었습니다. 저자들은 RustPrint 를 고립된 파일에서 전체 저장소 수준의 엔지니어링 작업으로 LLM 기반 번역을 확장할 수 있는 실용적인 방법으로 위치시킵니다.