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

Technische Samenvatting: LLM-ondersteunde Architectuurherstel voor Real-World ROS 2-systemen

Probleemstelling
Expliciete softwarearchitectuurmodellen zijn cruciaal voor het analyseren en evolueren van complexe systemen, maar ontbreken vaak, zijn verouderd of inconsistent in langlevende softwareprojecten. Dit probleem is bijzonder acuut in gedistribueerde cyberfysische systemen gebaseerd op het Robot Operating System 2 (ROS 2). In ROS 2 worden hiërarchische structurele samenstelling en integratiesthema's vaak impliciet gecodeerd over verspreide artefacten, waaronder broncode, buildbestanden, launchbestanden en parameterbestanden. In tegenstelling tot traditionele systemen worden ROS 2-runtime node-instanties, naamruimten, remappings en door launch veroorzaakte samenstellingen zelden onderhouden in een compleet architectuurmodel.

Bestaande herstelmethoden richten zich voornamelijk op entiteiten op node-niveau en communicatiebedrading, en bieden beperkte ondersteuning voor het herstellen van hiërarchische structurele (de-)samenstelling over meerdere abstractieniveaus. Hoewel Large Language Models (LLM's) veelbelovend zijn in het afleiden van semantische relaties uit heterogene artefacten, vormt onbeperkte LLM-gebaseerde herstel het risico om hallucinaties, onvolledige of structureel niet-ondersteunde elementen te produceren door gebrek aan systeemspecifieke architecturale begeleiding. Eerder werk van de auteurs toonde aan dat een blauwdruk-gestuurde aanpak LLM-synthese kon beperken, maar een afgenomen recall liet zien in repositories met complexe door launch veroorzaakte samenstelling en gedistribueerde integratiesthema's.

Methodologie
Dit artikel presenteert een verbeterde, agent-gebaseerde, meer-niveau aanpak voor hiërarchische structurele architectuurherstel voor ROS 2-systemen. De methodologie behoudt het UML-gebaseerde modelleringconcept uit het eerdere werk van de auteurs, maar verfijnt het herstelproces door middel van een gefaseerde strategie die expliciete tussenliggende artefacten introduceert om LLM-synthese te begeleiden.

De voorgestelde pijplijn werkt in drie distincte fasen:

1. Identificatie van Atomaire Nodes (NodeAnalyzer):
   Het proces begint met een deterministische extractie van atomaire ROS 2-node-definities uit bronbestanden. De NodeAnalyzer-agent produceert een gestructureerd JSON-artefact getiteld "Lijst van Atomaire ROS Nodes". Dit artefact aggregeert bronbewijs op repository-niveau tot een uniek inventaris, waarin node-identiteit, bronbezit, implementatietaal (Python/C++) en uitvoeringsinstappunten worden vastgelegd. Dit dient als een index op bron-niveau voor de daaropvolgende fasen.

2. Launch-afhankelijkheidsanalyse (LaunchFileAnalyzer):
   Voordat er synthese op systeemniveau plaatsvindt, genereert de LaunchFileAnalyzer-agent een "Beschrijving van Launch-bestand-afhankelijkheden" (JSON). Dit artefact modelleert expliciet de organisatie op launch-tijd, inclusief:

   • Ketens van launch-bestandsopnames.
   • Directe node-instantiaties.
   • Naamruimte-sferen en remapping-relaties.
   • Runtime node-instanties (onderscheidend tussen brondefinities en hun runtime-configuraties).
     Deze stap scheidt definities op bron-niveau van instanties op systeemniveau, en fixeert node-identiteiten en afhankelijkheden voordat de uiteindelijke synthese plaatsvindt.

3. Gefaseerde Blauwdruk-gestuurde Synthese:
   De laatste fase maakt gebruik van een SystemArchitectureConstructor-agent. In tegenstelling tot eerdere benaderingen die subsystemen direct uit ruwe artefacten synthetiseerden, gebruikt deze agent een verfijnd prompt-contract. De prompt is een herbruikbare sjabloon die de "Lijst van Atomaire ROS Nodes" en de "Beschrijving van Launch-bestand-afhankelijkheden" als gestructureerde context inbedt.

   • Prompt Engineering: De prompt definieert de rol, doelen, achtergrondverhaal en verwachte output van de agent, en beperkt de synthese strikt tot het verstrekte bewijs.
   • Synthese: De agent brengt de runtime-context (uit de afhankelijkheidsbeschrijving) in lijn met de definities op bron-niveau (uit de nodelijst) en component-niveau interfaces om een uiteindelijk samengesteld architectuurmodel in PlantUML te genereren.
   • Validatie: De output wordt gevalideerd tegen de UML-gebaseerde blauwdruk, die de doelarchitecturale vocabulaire (bijv. AtomicRosNodeClassifier, ComposedRosNodeClassifier, RosNodePart) en structurele beperkingen definieert.

Belangrijkste Bijdragen

• Gefaseerde Herstelstrategie: De introductie van expliciete tussenliggende artefacten (JSON-gebaseerde nodelijsten en beschrijvingen van launch-afhankelijkheden) die analyse op bron-niveau ontkoppelen van analyse van runtime-samenstelling. Dit vermindert semantische ambiguïteit en verbetert de controleerbaarheid van LLM-ondersteunde synthese.
• Verfijnde Prompt-contracten: Een gestructureerd prompt-mechanisme dat tussenliggende artefacten direct integreert in de context van de LLM, zodat de gegenereerde architectuur geworteld is in specifiek repository-bewijs in plaats van algemene kennis.
• Meer-niveau Herstel: De aanpak herstelt succesvol architectuur over twee abstractieniveaus:
  • Atomaire Niveau: Implementatie-niveau definities van individuele nodes.
  • Samengesteld Niveau: Door launch veroorzaakte subsystem-hiërarchieën, inclusief naamruimte-propagatie en remapping.

Experimentele Evaluatie
De aanpak werd geëvalueerd op de BrickByBrick-casestudie, een real-world geautomatiseerd systeem voor productdemontage met coöperatieve robotarmen, heterogene ROS 2-artefacten en complexe functionele domeinen (computer vision, bewegingsplanning, hardware-interface). Het systeem bestaat uit ongeveer 1.500 regels Python-code verspreid over 4 packages, 10 node-classes en 1 launch-bestand.

De evaluatie vergeleek de herstelde PlantUML-modellen met een handmatig opgebouwd referentiemodel aan de hand van precisie, recall en F1-scores voor specifieke architecturale metriek-elementen (bijv. classifier-namen, berichttypes, servicetypes).

• Resultaten op Atomaire Niveau: Het herstel van AtomicRosNodeClassifier-elementen (ACD) behaalde perfecte scores: Precisie = 1,0, Recall = 1,0, F1 = 1,0. Dit geeft aan dat het verfijnde proces sterke herstelcapaciteiten op implementatie-niveau behoudt.
• Resultaten op Samengesteld Niveau: Het herstel van ComposedClassifierDiagram-elementen (CCD), die subsystem-samenstelling vertegenwoordigen, behaalde Precisie = 1,0, Recall = 0,95 en F1 = 0,98.
  • De perfecte precisie suggereert dat alle gegenereerde elementen op systeemniveau structureel worden ondersteund door repository-bewijs.
  • De kleine recall-kloof (0,95) geeft een klein aantal ontbrekende door launch veroorzaakte samenstellingsrelaties aan, wat benadrukt dat volledige reconstructie van integratiesthema's uitdagend blijft wanneer grenzen impliciet zijn gecodeerd.

Betekenis en Claims
Het artikel beweert dat de voorgestelde gefaseerde, blauwdruk-gestuurde aanpak de structurele consistentie, schaalbaarheid en robuustheid van architectuurherstel significant verbetert in vergelijking met eerdere directe-synthese methoden. Door tussenliggend herstelbewijs expliciet te maken, vermindert de aanpak het risico op hallucinaties en verbetert de traceerbaarheid van implementatie-artefacten naar architectuurmodellen.

De auteurs concluderen bescheiden dat hoewel de methode succesvol hoogwaardige architecturale representaties herstelt uit heterogene ROS 2-artefacten, uitdagingen blijven bestaan met betrekking tot de volledige reconstructie van complexe door launch veroorzaakte samenstelling en dynamische integratiesthema's. Toekomstig werk wordt geïdentificeerd als het richten op het formaliseren van het modelleringconcept tot een meer expliciet UML-profiel, het uitbreiden van ondersteuning voor complexe launch-constructies (naamruimte-propagatie, remapping), en het opnemen van gedrags- of runtime-bewijs om statisch herstel aan te vullen.