딥러닝 (DL) 프레임워크는 심각한 보안 함의를 지닌 버그를 종종 숨기고 있는 중요한 AI 인프라입니다. 퍼징 (fuzzing)과 같은 동적 접근 방식은 이러한 버그를 찾아내는 데 효과적이지만, 실제 테스트 실행이 필요하며 높은 계산 비용이 발생합니다. 정적 분석 (Static analysis)은 런타임 실행 없이 버그를 탐지할 수 있어 빠르고 확장 가능한 테스트를 제공하므로 자연스러운 보완책이 됩니다. 불행히도, DL 프레임워크의 다국어 아키텍처와 텐서 (tensor) 관련 프로그램 상태로 인해 DL 프레임워크를 대상으로 하는 정적 분석 연구는 여전히 제한적입니다. 우리는 DL 프레임워크를 위한 최초의 LLM 기반 정적 분석 기술인 Phoenix를 제시합니다. 우리의 핵심 통찰은 DL 프레임워크의 교차 언어 텐서 흐름 (cross-language tensor flows)을 구체적인 코드 컨텍스트와 함께, LLM이 텐서 의미론적 전파 (tensor semantic propagation)에서의 잠재적 버그를 분석할 수 있는 구조화된 의미론적 브리지 중간 표현 (structured semantic bridge intermediate representation, SBIR)으로 모델링할 수 있다는 것입니다. 우리는 멀티 에이전트 워크플로 (multi-agent workflow)를 통해 이 통찰을 구현합니다. 요약 에이전트 (summarization agent)는 먼저 과거의 버그 수정 패치와 CWE 규칙으로부터 버그 요약을 추출합니다. 각 요약의 안내에 따라, 추출 에이전트 (extraction agent)는 코드 검색을 위해 버그와 관련된 리포지토리 심볼 (repository symbols)을 식별하며, 생성 에이전트 (generation agent)는 검색된 컨텍스트로부터 근거가 있는 SBIR을 합성합니다. 마지막으로, 분석 에이전트 (analysis agent)를 활용하여 SBIR을 점검하고 잠재적 버그를 보고합니다. 우리의 평가 결과, Phoenix는 버그 탐지를 위한 동적 DL 프레임워크 테스트의 실질적인 보완책임을 보여줍니다. 현재까지 Phoenix는 다양한 이기종 하드웨어 백엔드 (Intel CPU, NVIDIA CUDA, Apple MPS)를 사용하는 PyTorch에서 31개의 실제 새로운 버그를 발견했습니다. 그중 20개의 제출된 버그 수정 패치가 업스트림 (upstream)에 병합되었습니다.