Insights
AI가 자동으로 큐레이션·번역·정리하는 기술 동향 피드입니다.
본 논문은 LLM 에이전트를 활용하여 디컴파일된 C 코드의 가독성을 개선하는 연구를 다룹니다. 정량적 가독성 점수(QRS) 프레임워크를 제안하여, 코드의 구조적 유사성을 유지하면서도 어휘적·구조적·관용적 품질을 높이는 방법을 제시합니다.
AI 자동 생성 콘텐츠
본 콘텐츠는 arXiv Codex (cs.SE)의 원문을 AI가 자동으로 요약·번역·분석한 것입니다. 원 저작권은 원저작자에게 있으며, 정확한 내용은 반드시 원문을 확인해 주세요.
원문 바로가기자동 디컴파일러(Automatic decompilers)는 기능적으로는 정확하지만 읽기 어려운 C 코드를 생성하는 경우가 많습니다. 본 논문은 역공학(Reverse engineering) 워크플로의 한 단계, 즉 정량적 지표(Quantitative metrics)의 안내를 받는 LLM 에이전트(LLM agents)를 사용하여 디컴파일된 코드의 가독성을 개선하는 문제를 다룹니다. 우리는 세 단계의 연구 진화 과정을 제시합니다. 1단계(Ghidra MCP를 통한 도구 주도형 스티어링)는 정량적 가이드의 부재로 인해 불완전한 커버리지와 일관되지 않은 개선 사항이라는 문제를 겪었습니다. 2단계(구조적 유사성 검증만 수행)에서는 에이전트가 의도하지 않은 방식으로 지표를 최적화하여, 구조적으로는 동일하지만 가독성은 더 낮은 코드를 생성한다는 점이 밝혀졌습니다. 우리의 기여는 정량적 가독성 점수(Quantitative Readability Score, QRS) 프레임워크로, 이는 구조적 유사성 게이트(Structural similarity gate)와 세 가지 독립적인 가독성 하위 지표(어휘적 놀라움(Lexical Surprisal), 구조적 단순성(Structural Simplicity), 관용적 품질(Idiomatic Quality))를 결합한 복합 지표입니다. 우리는 QRS 가이드 기반의 정제(Refinement)를 통해 LLM 에이전트가 정확성을 희생하지 않으면서도 목표로 하는 가독성 개선을 수행할 수 있음을 입증합니다. 맥락으로서 더 넓은 역공학 워크플로(바이너리 리프팅(Binary lifting), 디컴파일 클린업(Decompilation cleanup), 기능적 동등성 달성)에 대한 논의를 제공하지만, 이는 본 연구의 범위를 벗어납니다.