💻 computer science

AdaTrans: Automated C to Rust Transformation via Error-Adaptive Repair

AdaTrans는 전략 기반 검색, 오류 적응형 변환, 그리고 다단계 검증을 활용하여 C 코드를 안전하고 컴파일 가능한 Rust로 성공적으로 변환함으로써, unsafe 구문을 최소화하면서 높은 통과율을 달성하는 자동화된 프레임워크입니다.

원저자: Xiaofan Liu, Zecan Li, Zhuang Zhao, Ziqi Shuai, Yanming Yang, Qi Xin, Jifeng Xuan

게시일 2026-07-01

📖 4 분 읽기☕ 가벼운 읽기

CC BY 4.0

원저자: Xiaofan Liu, Zecan Li, Zhuang Zhao, Ziqi Shuai, Yanming Yang, Qi Xin, Jifeng Xuan

원본 논문은 CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) 라이선스로 제공됩니다. ✨ 이것은 아래 논문에 대한 AI 생성 설명입니다. 저자가 작성하거나 승인한 것이 아닙니다. 기술적 정확성을 위해서는 원본 논문을 참조하세요. 전체 면책 조항 읽기

개요: 위험한 언어를 안전한 언어로 번역하기

당신에게 아주 빠르고 강력하지만, 동시에 매우 위험하기로 악명 높은 C라는 프로그래밍 언어로 쓰인 오래된 책들이 가득한 거대한 도서관이 있다고 상상해 보세요. C 언어에서는 저자(프로그래머)만이 건물을 안전하게 유지할 유일한 책임자입니다. 만약 저자가 문을 잠그는 것(메모리 해제)을 잊거나 창문을 열어두면(댕글링 포인터), 집 전체가 불타버릴 수 있습니다(크래시 또는 해킹).

이제 이 모든 책을 Rust로 만들어진 새로운 건물로 옮기려고 합니다. Rust는 매우 엄격한 건물 검사관과 같은 현대적인 언어입니다. 이 검사관은 모든 문이 잠겨 있고 모든 창문이 안전하다는 것을 페이지마다 증명하지 않으면 당신이 책을 쓰는 것을 허용하지 않습니다. 만약 당신이 위험한 습관을 몰래 집어넣으려 한다면, 검사관은 문을 쾅 닫으며 "안 됩니다, 허용할 수 없습니다"라고 말할 것입니다.

문제점:
수십 년 동안 C에서 Rust로 이동하는 것은 악몽이었습니다.

수작업의 고충: 손으로 직접 하기에는 시간이 너무 오래 걸립니다.
낡은 도구들: 자동화된 도구들이 존재하지만, 종종 속임수를 씁니다. 그들은 코드를 작성하되 위험한 부분들을 "unsafe"라는 표지판 뒤에 숨겨버림으로써, 사실상 건물 검사관을 무시합니다.
AI의 한계: 새로운 인공지능(LLM)은 코드를 작성할 수 있지만, 이들은 Rust의 엄격한 건축 법규를 이해하지 못하는 천재 작가와 같습니다. 그들은 아름다운 이야기를 써 내려가지만, 아주 작은 안전 위반 때문에 검사관에게 즉시 거절당하고 맙니다.

해결책: AdaTrans
저자들은 단순히 추측하는 것이 아니라, 실수를 통해 학습하며 C 코드를 안전한 Rust 코드로 번き하는 스마트한 시스템인 AdaTrans를 구축했습니다. 이것은 마치 마스터 설계사와 검사관 팀이 루프 안에서 함께 협력하는 것과 같습니다.

AdaTrans의 작동 원리: 3단계 댄스

이 시스템은 **시도(Try) → 확인(Check) → 수정(Fix)**의 연속적인 순환 구조로 작동합니다. 과정은 다음과 같습니다.

1. "다단계 검사" (1단계)

AI가 C 코드를 번역하려고 할 때, AdaTrans는 즉시 두 가지 테스트를 통해 코드를 검증합니다.

구문 체크 (Syntax Check): 코드가 유효한 Rust 형태를 갖추었는가? (예: 세미콜론 누락 여부).
안전 및 로직 체크 (Safety & Logic Check): Rust의 엄격한 안전 규칙을 깨뜨리지 않고 컴파일되는가? 그리고 원래의 C 코드가 수행하던 기능을 실제로 수행하는가?
결과: 만약 실패한다면, 시스템은 단순히 "에러"라고 말하는 데 그치지 않고 에러를 분류합니다. 오타인가요? 안전 위반인가요? 아니면 단순히 로직이 틀린 것인가요?

2. "전문 사서" (2단계: 전략 기반 RAG)

이것이 운영의 핵심인 '두뇌'입니다. AdaTrans는 단순히 AI에게 혼란스러운 에러 메시지를 그대로 보여주는 대신, 전문 사서처럼 행동합니다.

에러가 오타(구문 에러)라면, 사서는 AI에게 "문법 수정" 치트 시트를 건네줍니다.
에러가 안전(소유권/Ownership)에 관한 것이라면, 사서는 메모리를 안전하게 다루는 구체적인 예시가 담긴 "Rust 안전 매뉴얼"을 건네줍니다.
에러가 로직(코드는 실행되지만 결과가 틀린 경우)에 관한 것이라면, 사서는 AI에게 알고리즘 전체를 다시 생각해보라는 "창의적 사고" 프롬프트를 제공합니다.

비유: 자동차를 수리하려고 한다고 상상해 보세요.

타이어가 펑크 났다면, 정비사에게 엔진을 새로 만들라고 부르는 것이 아니라 타이어 패치 키트를 가져오는 것이 맞습니다.
엔진에서 이상한 소리가 난다면, 단순히 볼트를 조이는 것이 아니라 심층 진단이 필요합니다.
AdaTrans는 AI가 특정한 문제에 맞는 정확한 도구를 얻을 수 있도록 보장합니다.

3. "적응형 온도" (3단계: ESTS)

이것은 비법(Secret Sauce)입니다. AI가 코드를 수정할 때, 얼마나 "창의적"이어 혹은 "조심스러울"지 결정해야 합니다. AdaTrans는 "온도" 조절 다이얼을 사용하여 이를 제어합니다.

낮은 온도 (신중함): 단순한 오타의 경우, AI에게 매우 정밀하게 규칙을 따르라고 지시합니다. 무모한 추측은 금지됩니다.
중간 온도 (균형): 안전 에러의 경우, AI에게 메모리를 구성하는 몇 가지 다른 방법들을 탐색하되 규칙 내에 머물도록 지시합니다.
높ую 온도 (창의적): 로직이 잘못된 경우(예: 수학적 계산이 틀린 경우), AI에게 완전히 새로운 구조를 시도하도록 자유롭게 명령합니다. 현재의 사고 패턴을 깨고 나와야만 올바른 해결책을 찾을 수 있기 때문입니다.

"정체" 감지기:
만약 AI가 똑같은 실수를 계속 반복한다면(마치 꼬리를 잡으려는 강아지처럼), AdaTrans는 이러한 "정체 상태"를 감지합니다. 시스템은 리셋(RESET) 버튼을 눌러 현재의 시도를 버리고, 깨끗한 상태에서 원래의 C 코드로부터 다시 시작합니다. 이는 AI가 막다른 길에서 시간을 낭비하는 것을 방지합니다.

결과: 효과가 있었는가?

저자들은 이를 104개의 서로 다른 프로그래밍 퍼즐(AI가 본 적 없는 LeetCode 콘테스트 출처)을 통해 테스트했습니다.

성공률: AdaTrans는 약 **81%**의 문제를 안전(위험한 "unsafe" 블록이 없음)하면서도 정확(모든 테스트 통과)한 Rust 코드로 성공적으로 번역했습니다.
비교:
- 기존 AI (Zero-shot): 이 특수한 시스템 없이 AI는 첫 시도에서 약 **25%**의 성공률을 보였습니다. 설령 100번을 무작위로 시도하게 하더라도 **70%**에 그쳤습니다. 반면 AdaTrans는 단 한 번의 스마트한 반복 과정을 통해 **81%**에 도달했습니다.
- 기존 도구들: 기존 도구들(예: c2rust)은 코드를 컴파일할 수는 있었지만, 안전 규칙을 속이기 위해 "unsafe" 블록을 가득 채웠습니다. AdaTrans는 코드를 99% 안전하게 유지했습니다.
- 다른 AI 도구들: 최근의 다른 AI 도구들은 복잡한 로직 에러를 처리하지 못해 성공률이 20% 미만에 머물렀습니다.

요약

AdaTrans는 "빠른 번역"과 "안전한 코드" 중 하나를 선택할 필요가 없다는 것을 증명합니다. AI에게 다음과 같은 능력을 부여함으로써 말이죠:

특정 에러를 경청하고,
그 에러에 맞는 전문 지식을 참고하며,
난이도에 따라 창의성 수준을 조절하는 능력.

이를 통해 위험한 옛 코드를 현대적이고 안전한 코드로 성공적으로 이주할 수 있습니다. 이는 마치 AI에게 지도와 나침반, 그리고 언제 조심스럽게 걸어야 하고 언제 과감하게 뛰어내려야 하는지 정확히 아는 가이드를 붙여준 것과 같습니다.

기술 요약: AdaTrans

문제 정의
C 코드를 Rust로 자동 변환하는 것은 Rust의 엄격한 소유권, 빌림(borrowing), 수명(lifetime) 시스템으로 인해 여전히 중요한 엔지니어링 과제로 남아 있습니다. 대규모 언어 모델(LLM)은 코드 생성에서 유망한 가능성을 보여주지만, 소유권 규칙을 위반하거나 unsafe 블록에 과도하게 의존하여 borrow checker를 우회하는 Rust 코드를 생성하는 경우가 빈번합니다. 기존 방식들은 세 가지 주요 한계점을 가집니다: (1) 범용 LLM은 C의 수동 메모리 관리와 Rust의 아핀 타입 시스템(affine type system) 사이의 의미론적 장벽을 넘는 데 어려움을 겪습니다 (2) 현재의 방법들은 컴파일러 피드백을 반복적인 수정을 위한 도구로 충분히 활용하지 못하며, 진단 메시지를 구조적 충돌이 아닌 단순한 구문적 문제로 취급합니다 (3) 표적화된 검증 없이는 생성된 코드가 안전 제약 조건을 충족하기보다 회피하는 경 tendencia를 보이며, 이는 기능적 불일치나 메모리 불안전성으로 이어집니다.

방법론: AdaTrans 프레임워크
AdaTrans는 자기 완결적인(self-contained) C 모듈의 파일 단위 변환을 위해 설계된 엔드 투 엔드 프레임워크입니다. 이 프레임워크는 관찰된 실패 유형의 특정 종류에 따라 수리 전략을 조정하는 폐쇄 루프형 3단계 생성-검증-수리(generate-verify-repair) 파이프라인을 통해 작동합니다.

다단계 검증 (1단계):
프레임워크는 후보 Rust 코드를 평가하기 위해 결정론적 오라클(deterministic oracle)을 사용합니다. 이 파이프라인은 먼저 Rust 컴파일러(cargo build)를 호출하여 구문, 링킹 및 소유권 오류를 탐지합니다. 코드가 컴파일되면, 원래의 C 프로그램과 기능적 동등성(I/O 일관성)을 검증하기 위해 퍼즈 기반 테스트 스위트(fuzz-based test suite)에 대한 동적 실행을 진행합니다. 이 단계에서는 후속 수리를 가이드하기 위해 진단 신호(컴파일러 에러 코드 및 테스트 실패)를 추출합니다.
전략 기반 검색 증강 생성 (RAG) (2단계):
원시 컴파일 진단과 구조화된 수리 컨텍스트 사이의 간극을 메우기 위해, AdaTrans는 **Rust 위반-수정 그래프(Rust Violation-Fix Graph, RVFG)**를 활용합니다. 이 그래프는 특정 컴파일러 에러 시그니처(예: E0597)를 다음과 같은 의미론적 앵커(semantic anchors)에 매핑합니다:
- 수리 템플릿(Repair Templates): 역할별 메타 프롬프트 (예: 구문 수정, 소유권 추론, 알고리즘 성찰).
- 지식 스니펫(Knowledge Snippets): 해당 에러 카테고리와 관련된 공식 Rust 문서.
  이 메커니즘은 LLM이 원시 에러 메시지 대신 표적화된 가이드를 받도록 보장하며, unsafe를 통한 지름길 대신 관용적인(idiomatic) 솔ู션으로 유도합니다.
오류 계층화 변환 전략 (ESTS) (3단계):
AdaTrans는 진단 신호를 네 가지 의미론적 카테고리로 분류하고 그에 따라 LLM의 샘플링 동작(temperature)을 조정합니다:
- 구문-링킹 (Syntactic-Linking, SL): 엄격한 오류(예: 누락된 세미콜론)는 정밀하고 결정론적인 수정을 위해 저엔트로피(low-entropy) 샘플링( $\theta=0.1$ )으로 처리됩니다.
- 메모리-의미론 (Memory-Semantic, MS): 소유권 및 수명 충돌은 대안적인 메모리 관리 패턴(예: 클로닝 vs 빌림)을 탐색하기 위해 중등 엔트로피(moderate-entropy) 샘플링( $\theta=0.5$ )으로 처리됩니다.
- 로직-행위 (Logic-Behavioral, LB): 기능적 실패(컴파일은 되지만 출력이 틀린 경우)는 로컬 옵티마(local optima)를 탈출하고 상당한 알고리즘 재구조화를 유발하기 위해 고엔트로피(high-entropy) 샘플링( $\theta=1.2$ )으로 처리됩니다.
- 모호한-폴백 (Ambiguous-Fallback, AF): 확인되지 않은 오류는 기본 탐색값으로 설정됩니다.
  또한, 동일한 에러 카테고리가 3회 연속 지속될 경우 수리 궤적을 리셋하는 로컬 루프 정체 탈출(Local-Loop Stagnation Escape) 메커니즘을 통해 무한 루프를 방지합니다.

핵심 기여

컴파일러 피드백 기반 프레임워크: AdaTrans는 컴파일 진단과 실행 피드백을 단일 수리 루프로 통합하여 제어된 파일 단위 마이그레이션을 위해 특별히 설계된 3단계 파이프라인을 도입합니다.
운영적 오류 계층화 수리 (ESTS): 에러를 분류하고 제약 조건의 엄격함에 맞춰 생성 다양성(temperature)을 동적으로 조정하여, 구문 수정을 위한 착취(exploitation)와 알고리즘 변이를 위한 탐색(exploration) 사이의 균형을 맞추는 전략을 제안합니다.
전략 기반 RAG: 에러 시그니처를 특정 수리 템플릿 및 도메인 지식에 매핑하여, 원시 컴파일 메시지를 넘어 구조화된 가이드를 제공하는 새로운 검색 메커니즘을 제공합니다.
정확성-안전성 트레이드오프의 실증적 연구: 저자들은 고정된 LLM 백본 하에서 변환 정확성과 메모리 안전성 사이의 관계를 엄격하게 평가합니다.

실험 결과
프레임워크는 LLM의 지식 컷오프 이후에 출시된 LeetCode Weekly Contest의 104개 알고리즘 문제 데이터셋을 통해 평가되었습니다(데이터 오염을 방지하기 위함). 평가는 AdaTrans를 세 가지 기존 LLM 기반 도구(EvoC2Rust, Tymcrat, PtrTrans), 제로샷 LLM 베이스라인, 그리고 전통적인 AST 레벨 트랜스파일러인 c2rust과 비교했습니다.

성능: AdaTrans는 세 번의 독립적인 실행에서 평균 **컴파일 통과율 95.51%**와 평균 **해결률(solve rate) 81.09%**를 달고했습니다.
비교: AdaTrans는 가장 강력한 기존 LLM 기반 도구인 Tymcrat보다 해결률을 59.94 퍼센트 포인트 향상시켰습니다. 또한 제로샷 LLM 베이스라인(pass@100)보다 약 1/3 수준의 토큰 비용만을 사용하면서도 해결률을 10.51 퍼센트 포인트 앞질렀습니다.
안전성: 프레임워크는 평균 **unsafe 파일 비율 1.19%**를 유지했습니다. 이는 컴파일 가능한 출력의 100%(코드 라인의 97.94%)에서 unsafe 코드를 생성했던 c2rust과 극명한 대조를 이룹니다.
절제 연구(Ablation): ESTS 모듈을 제거하면 해결률이 약 12% 감소했고, RAG 모듈을 제거하면 약 10% 감소했습니다. 두 모듈을 모두 제거했을 때는 약 34%의 하락이 발생하여, 이들의 시너지 효과를 입증했습니다.

의의 및 주장
본 논문은 컴파일 진단의 의미론적 특성에 맞춰 수리 전략을 조정하는 것이 변환의 정확성과 메모리 안전성을 성공적으로 조화시킬 수 있음을 보여준다고 주장합니다. 파일 단위 변환의 의미론적 핵심을 격리함으로써, 저자들은 에러 계층화 전략과 표적화된 지식 검색에 의해 가이드되는 반복적 수리가 unsafe 블록에 의존하지 않고도 높은 기능적 동등성을 달 수 있음을 보여줍니다. 이 연구는 일반적인 LLM이 Rust 소유권의 비지역적(non-local) 특성을 다루는 데 어려움을 겪더라도, 구조화되고 피드백 중심적인 접근 방식을 통해 C와 Rust 사이의 의미론적 장벽을 효과적으로 극복할 수 있음을 시사합니다. 저자들은 이를 특히 기능적 동등성을 엄격하게 검증할 수 있는 자기 완결적 모듈의 안전한 자동 레거시 C 코드베이스 마이그레이션을 향한 단계로 포지셔닝합니다.