Towards LLM-Assisted Architecture Recovery for Real-World ROS~2 Systems: An Agent-Based Multi-Level Approach to Hierarchical Structural Architecture Reconstruction

기술 요약: 실제 ROS 2 시스템을 위한 LLM 지원 아키텍처 복구

문제 제기
명시적인 소프트웨어 아키텍처 모델은 복잡 시스템을 분석하고 진화시키는 데 필수적이지만, 장기 유지되는 소프트웨어 프로젝트에서는 종종 부재하거나, 구식화되거나, 불일치합니다. 이 문제는 로봇 운영 체제 2(Robot Operating System 2, ROS 2) 기반의 분산 사이버 - 물리 시스템에서 특히 심각합니다. ROS 2 에서 계층적 구조적 구성과 통합 의미론은 종종 소스 코드, 빌드 파일, 런치 파일, 파라미터 파일 등 분산된 산출물들에 암시적으로 인코딩됩니다. 기존 시스템과 달리, ROS 2 런타임 노드 인스턴스, 네임스페이스, 리맵핑, 그리고 런치로 유도된 구성들은 완전한 아키텍처 모델에 거의 유지되지 않습니다.

기존 복구 접근법은 주로 노드 수준의 엔티티와 통신 와이어링에 초점을 맞추어, 여러 추상화 수준에 걸친 계층적 구조적 (비) 구성 복구에 대한 지원이 제한적입니다. 대규모 언어 모델 (LLM) 이 이질적인 산출물들로부터 의미 관계를 추론하는 데 유망한 가능성을 보이지만, 제약이 없는 LLM 기반 복구는 시스템 특화 아키텍처 지침의 부재로 인해 환각된, 불완전한, 또는 구조적으로 지지되지 않는 요소를 생성할 위험이 있습니다. 저자들의 이전 연구는 청사진 유도 접근법이 LLM 합성을 제약할 수 있음을 보였으나, 복잡한 런치로 유도된 구성과 분산 통합 의미론을 가진 저장소에서는 재현율 (recall) 이 감소함을 보여주었습니다.

방법론
본 논문은 ROS 2 시스템에 대한 계층적 구조 아키텍처 복구를 위한 향상된, 에이전트 기반, 다수준 접근법을 제시합니다. 이 방법론은 저자들의 이전 작업에서 유래한 UML 기반 모델링 개념을 유지하되, LLM 합성을 안내하기 위한 명시적 중간 산출물을 도입하는 단계적 전략을 통해 복구 과정을 정제합니다.

제안된 파이프라인은 세 가지 명확한 단계로 운영됩니다:

1. 원자 노드 식별 (NodeAnalyzer):
   이 과정은 소스 파일에서 원자 ROS 2 노드 정의를 결정론적으로 추출하는 것으로 시작합니다. NodeAnalyzer 에이전트는 **"원자 ROS 노드 목록 (List of Atomic ROS Nodes)"**이라는 제목의 구조화된 JSON 산출물을 생성합니다. 이 산출물은 저장소 수준의 소스 증거를 통합된 인벤토리로 집계하여 노드 식별자, 소스 소유권, 구현 언어 (Python/C++), 그리고 실행 진입점을 기록합니다. 이는 후속 단계들을 위한 소스 수준 인덱스로 작용합니다.

2. 런치 의존성 분석 (LaunchFileAnalyzer):
   시스템 수준 합성 전에, LaunchFileAnalyzer 에이전트는 **"런치 파일 의존성 설명 (Launch File Dependency Description)"(JSON)**을 생성합니다. 이 산출물은 다음을 포함하여 런타임 조직을 명시적으로 모델링합니다:

   • 런치 파일 포함 체인.
   • 직접 노드 인스턴스화.
   • 네임스페이스 범위 및 리맵핑 관계.
   • 런타임 노드 인스턴스 (소스 정의와 그 런타임 구성을 구분).
     이 단계는 소스 수준 정의를 시스템 수준 인스턴스와 분리하여, 최종 합성 전에 노드 식별자와 의존성을 고정합니다.

3. 단계적 청사진 유도 합성:
   마지막 단계는 SystemArchitectureConstructor 에이전트를 사용합니다. 이전 접근법들이 원시 산출물로부터 직접 서브시스템을 합성했던 것과 달리, 이 에이전트는 정제된 **프롬프트 계약 (prompt contract)**을 사용합니다. 이 프롬프트는 "원자 ROS 노드 목록"과 "런치 파일 의존성 설명"을 구조화된 컨텍스트로 포함하는 재사용 가능한 템플릿입니다.

   • 프롬프트 엔지니어링: 프롬프트는 에이전트의 역할, 목표, 배경 이야기, 그리고 기대 출력을 정의하여 합성을 제공된 증거로 엄격히 제약합니다.
   • 합성: 에이전트는 런타임 컨텍스트 (의존성 설명에서 유래) 를 소스 수준 정의 (노드 목록에서 유래) 및 컴포넌트 수준 인터페이스와 정렬하여 PlantUML 형식의 최종 합성 아키텍처 모델을 생성합니다.
   • 검증: 출력은 목표 아키텍처 어휘 (예: AtomicRosNodeClassifier, ComposedRosNodeClassifier, RosNodePart) 와 구조적 제약을 정의하는 UML 기반 청사진에 대해 검증됩니다.

주요 기여

• 단계적 복구 전략: 소스 수준 분석과 런타임 구성 분석을 분리하는 명시적 중간 산출물 (JSON 기반 노드 목록 및 런치 의존성 설명) 의 도입. 이는 의미적 모호성을 줄이고 LLM 지원 합성의 제어 가능성을 향상시킵니다.
• 정제된 프롬프트 계약: 중간 산출물을 LLM 의 컨텍스트에 직접 통합하는 구조화된 프롬팅 메커니즘으로, 생성된 아키텍처가 일반 지식이 아닌 특정 저장소 증거에 기반하도록 보장합니다.
• 다수준 복구: 이 접근법은 두 개의 추상화 수준에 걸쳐 아키텍처를 성공적으로 복구합니다:
  • 원자 수준: 개별 노드의 구현 수준 정의.
  • 합성 수준: 네임스페이스 전파 및 리맵핑을 포함하는 런치로 유도된 서브시스템 계층 구조.

실험적 평가
이 접근법은 협력 로봇 팔, 이질적인 ROS 2 산출물, 그리고 복잡한 기능 영역 (컴퓨터 비전, 운동 계획, 하드웨어 인터페이싱) 을 특징으로 하는 실제 자동화 제품 분해 시스템인 BrickByBrick 사례 연구에서 평가되었습니다. 이 시스템은 4 개의 패키지, 10 개의 노드 클래스, 1 개의 런치 파일에 걸쳐 약 1,500 줄의 Python 코드로 구성됩니다.

평가에서는 특정 아키텍처 측정 요소 (예: 분류기 이름, 메시지 유형, 서비스 유형) 에 대한 정밀도, 재현율, F1 점수를 사용하여 복구된 PlantUML 모델을 수동으로 구축된 참조 모델과 비교했습니다.

• 원자 수준 결과: AtomicRosNodeClassifier 요소 (ACD) 의 복구는 완벽한 점수를 달성했습니다: 정밀도 = 1.0, 재현율 = 1.0, F1 = 1.0. 이는 정제된 과정이 강력한 구현 수준 복구 능력을 유지함을 나타냅니다.
• 합성 수준 결과: 서브시스템 구성을 나타내는 ComposedClassifierDiagram 요소 (CCD) 의 복구는 정밀도 = 1.0, 재현율 = 0.95, F1 = 0.98을 달성했습니다.
  • 완벽한 정밀도는 생성된 모든 시스템 수준 요소가 저장소 증거에 의해 구조적으로 지지됨을 시사합니다.
  • 약간의 재현율 격차 (0.95) 는 몇몇 누락된 런치로 유도된 구성 관계를 나타내며, 경계가 암시적으로 인코딩될 때 통합 의미론의 완전한 복구가 여전히 어렵다는 점을 강조합니다.

의의 및 주장
본 논문은 제안된 단계적, 청사진 유도 접근법이 이전의 직접 합성 방법들에 비해 아키텍처 복구의 구조적 일관성, 확장성, 그리고 견고성을 크게 향상시킨다고 주장합니다. 중간 복구 증거를 명시적으로 만듦으로써, 이 접근법은 환각의 위험을 줄이고 구현 산출물에서 아키텍처 모델로의 추적 가능성을 향상시킵니다.

저자들은 겸손하게도, 이 방법이 이질적인 ROS 2 산출물로부터 고충실도 아키텍처 표현을 성공적으로 복구하지만, 복잡한 런치로 유도된 구성과 동적 통합 의미론의 완전한 복구에 관한 과제는 남아있다고 결론지었습니다. 향후 작업은 모델링 개념을 더 명시적인 UML 프로파일로 형식화하고, 복잡한 런치 구성 (네임스페이스 전파, 리맵핑) 에 대한 지원을 확장하며, 정적 복구를 보완하기 위해 행동 또는 런타임 증거를 통합하는 데 초점을 맞출 것으로 파악됩니다.