ATLAS: Multi-View Code Representation Tool for C and C++ Source Programs

Resumo Técnico: ATLAS – Ferramenta de Representação de Código Multi-Visão para C e C++

Declaração do Problema
O aprendizado de máquina para engenharia de software (ML4SE) depende cada vez mais de grafos de código multi-visão que alinham Árvores de Sintaxe Abstrata (AST), Grafos de Fluxo de Controle (CFG) e Grafos de Fluxo de Dados (DFG) para capturar a estrutura sintática, caminhos de execução e dependências de variáveis. Embora modelos como GraphCodeBERT e CodeSAM demonstrem que visões estruturais superam baselines baseados em texto, existe uma lacuna significativa para C e C++: nenhuma ferramenta existente é capaz de gerar essas visões alinhadas ao nível da fonte sem um ambiente de compilação completo.

As ferramentas atuais enfrentam limitações específicas:

• Frameworks baseados em compiladores (ex: SVF, PhASAR) exigem um build resolvido e operam sobre Representações Intermediárias (IR) que descartam nomes de variáveis e o contexto estrutural do nível da fonte.
• Analisadores baseados em consultas (ex: CodeQL, Clang Static Analyzer) também exigem um build completo.
• Parsers apenas de fonte (ex: Joern, Tree-sitter) ou carecem de análise interprocedural, ou falham em gerar fluxo de controle ou de dados, ou não conseguem lidar com as complexidades semânticas específicas de C/C++ (como aliasing de ponteiros, gerenciamento manual de memória e a ausência de Informação de Tipo de Tempo de Execução/RTTI).
• Ferramentas de multi-visão existentes (ex: COMEX) são frequentemente restritas a linguagens com gerenciamento de memória e dependem de suposições que não se sustentam para C/C++.

Consequentemente, profissionais devem combinar múltiplas ferramentas de propósito único para obter visões alinhadas, e muitas ferramentas existentes falham quando apresentadas com entradas parciais, como submódulos com cabeçalhos ausentes.

Metodologia: O Pipeline ATLAS
O ATLAS é uma ferramenta de linha de comando projetada para extrair AST, CFG interprocedural de nível de fonte e DFG de definições alcançáveis de arquivos fonte C e C++ sem exigir compilação ou um banco de dados de build. Ele opera em um pipeline de quatro estágios:

1. Pré-processador: Mescla projetos de múltiplos arquivos em um único arquivo. Ele coleta macros e typedefs locais do projeto e faz o inline de cabeçalhos intra-projeto, tratando cabeçalhos de sistema como declarações opacas. Para compilação condicional, ele retém ambos os braços #ifdef/#else em C ou seleciona os braços baseados em valores de #define presentes na fonte em C++.
2. Parser: Utiliza o Tree-sitter para construir uma árvore de sintaxe, uma tabela de símbolos e atribui um identificador inteiro único a cada nó. Crucialmente, símbolos de tipos desconhecidos são marcados como unknown_t e tratados como wildcards. Isso evita que declarações ausentes bloqueiem a resolução de call-graph ou de def–use. Todos os drivers operam sobre este espaço de identificadores compartilhado, garantindo que os nós de AST, CFG e DFG compartilhem um único namespace.
3. Gerador de Visão de Código: Quatro drivers (AST, CFG, DFG, Multi-View) operam sobre o modelo compartilhado:
   • AST: Podas a Árvore de Sintaxe Concreta para reter apenas nós semânticos.
   • CFG: Constrói um grafo interprocedural ao nível de instrução de origem. Ele resolve chamadas diretas, chamadas virtuais via Análise de Hierarquia de Classes (CHA) e chamadas de ponteiro de função rastreando a última atribuição visível do ponteiro. Se um alvo não for resolvido, ele se expande para chamadas compatíveis com a assinatura.
   • DFG: Adiciona arestas de definição alcançável com fluxos interprocedurais. Ele rastreia argumentos passados por referência e acessos a membros através de chamadas, mas não modela aliasing via aritmética de ponteiros, ponteiros armazenados no heap ou callbacks de void* devido à ausência de uma análise de points-to.
   • Multi-View: Mescla as visões selecionadas em um único grafo, onde as arestas são coloridas por classe de visão, permitindo que consumidores downstream filtrem visões específicas sem reanálise.
4. Visualizador: Exporta resultados como JSON, Graphviz DOT ou PNG.

A ferramenta suporta três flags de linha de comando para redimensionar o grafo sem reexecutar a análise: seleção de visão, colapso de variáveis (mesclagem de identificadores repetidos) e blacklist de nós (remoção de categorias sintáticas específicas).

Principais Contribuições

• Extração Livre de Build: O ATLAS opera em entradas parciais (ex: submódulos com cabeçalhos ausentes) sem exigir um banco de dados de compilação.
• Alinhamento entre Visões: Ao usar identificadores compartilhados, permite que usuários recuperem qualquer visão individual (AST, CFG ou DFG) filtrando arestas de um grafo unificado.
• Redimensionamento de Grafo Configurável: Flags de CLI permitem o colapso de variáveis e a blacklist de nós para reduzir o tamanho do grafo para fins de treinamento.

• Validação Empírica: A ferramenta foi testada em corpora reais de C e C++ e integrada a um sistema de geração de testes downstream.

Resultos e Avaliação
Os autores avaliaram o ATLAS no corpus TheAlgorithms (406 arquivos C e 360 arquivos C++):

• Precisão: O ATLAS produz um CFG correto para 96,80% dos arquivos C e 91,67% dos arquivos C++. DFGs corretos foram gerados para 91,38% dos arquivos C e 90,56% dos arquivos C++.
• Modos de Falha: As falhas limitaram-se a constructos específicos não suportados: instruções goto, multi-threading, aritmética de ponteiro em tempo de execução, sobrecarga de operadores e membros de classe estáticos. Estas são limitações documentadas, não bugs de implementação.
• Tratamento de Entrada Parcial: Em um cenário onde um arquivo de cabeçalho foi deletado, o ATLAS construiu com sucesso um CFG e DFG interprocedural conectado. O grafo resultante foi estruturalmente equivalente à versão de build completo, diferenciando-se apenas pela ausência do nó de declaração.
• Desempenho: Nos 20 maiores programas C (61–309 LOC), a geração de CFG teve um tempo de execução mediana de 6,89 segundos com 135 MB de pico de memória. Uma execução completa no libcurl (124K LOC) levou aproximadamente 23 minutos.
• Utilidade Downstream: Quando usado como o front-end de CFG para o SPARC (um framework de geração de testes unitários baseado em LLM), o ATLAS permitiu um ganho absoluto de 31,36% em cobertura de linhas e 26,01% em cobertura de ramos sobre um baseline sem contexto, superando ou igualando o KLEE em assuntos complexos.

Significância e Alegações
O artigo afirma que o ATLAS é, tanto quanto os autores sabem, a única ferramenta que satisfaz simultaneamente a operação em nível de fonte, construção de CFG interprocedural, tolerância a entrada parcial e alinhamento de multi-visão com identificadores compartilhados para C/C++. Ao reduzir a barreira para obter grafos multi-visão alinhados, o ATLAS facilita a pesquisa de ML4SE em bases de código C/C++ que eram anteriormente difíceis de analisar devido a dependências de build ou falta de representações estruturais unificadas. A ferramenta é open-source, distribuída como uma imagem Docker e inclui um screencast para reprodutibilidade.

Limitações
Os autores explicitamente observam que o ATLAS não realiza análise de points-to, o que significa que não pode resolver totalmente o aliasing através de aritmética de ponteiros, ponteiros armazenados no heap ou callbacks de void*. Também aproxima recursos de C++, como templates, exceções e herança complexa, sem um frontend completo de C++. A validação foi limitada atualmente a arquivos pequenos, e varreduras de larga escala de projetos e estudos de usuário são identificados como trabalhos futuros.