Docker는 재현 가능한 빌드 환경을 구축하는 데 널리 사용되지만, Dockerfile 드리프트(Dockerfile과 진화하는 소스 코드 간의 불일치)는 CI/CD 빌드가 실패하게 만들 수 있습니다. 기존의 규칙 기반 및 검색 기반 복구 접근 방식은 Dockerfile을 독립적으로 분석하기 때문에 컨텍스트 의존적인 실패에 어려움을 겪습니다. 본 논문에서는 자동화된 Dockerfile 드리프트 복구를 위한 컨텍스트 인식 프레임워크인 Cadre를 제시합니다. Cadre는 정적 분석(static analysis)을 사용하여 Context-aware Dependency Graph (CDG)를 구축하며, 이는 각 Dockerfile 명령어를 파일 수준 및 명령어 간 의존성으로 매핑합니다. CDG의 안내를 받아, Cadre는 먼저 실패와 인과적으로 관련된 컨텍스트를 선택하고 그 컨텍스트로부터 목표화된 패치(targeted patch)를 생성합니다. 또한, 정적 스냅샷 데이터셋이 누락하는 전체 빌드 구성을 보존하면서 GitHub Actions CI 로그에서 실제 Dockerfile 드리프트 사례를 채굴하는 파이프라인인 DodeX를 소개합니다. DodeX를 사용하여, 우리는 원래의 CI 매개변수로 로컬에서 재현 가능한 1,040개의 드리프트 인스턴스로 구성된 벤치마크 $D^3$을 구축했습니다. $D^3$ 전반에 걸쳐 Cadre는 35.22%의 복구율을 달성했으며, 이는 규칙 기반 기준선 대비 2.78배, 그리고 최적 LLM 기반 기준선 대비 1.24배 높은 수치입니다. 이 두 단계 워크플로우(two-step workflow)는 프롬프트의 95.25%가 30k 토큰 미만을 유지하게 하며, 경쟁하는 LLM 기반 방법들이 41개에서 58개의 경우에 패치를 생성하지 못하게 하는 프롬프트 오버플로우 실패를 방지합니다. 제거 분석(Ablation results) 결과는 CDG와 두 단계 워크플로우 모두 복구 성능을 향상시킨다는 것을 확인시켜 줍니다. Cadre의 장점은 드리프트가 커밋을 거치며 오래될수록 diff 전용 접근 방식보다 더 커져, 컨텍스트 인식 인프라-애즈-코드(infrastructure-as-code) 유지보수를 위한 명시적 의존성 모델링을 지원합니다. 코드와 데이터는 https://github.com/dw763j/Cadre에서 이용 가능합니다.