코드 스타일로메트리(Code Stylometry)를 은폐하기 위한 대규모 언어 모델(LLM)의 활용: GPT-3.5와 GPT-4의 비교 연구

급변하는 소프트웨어 개발 분야에서 프로그래머의 고유한 스타일적 특징을 분석하는 코드 스타일로메트리(Code Stylometry)는 저자 식별(Authorship Attribution) 및 사이버 보안에서 중요한 역할을 합니다. 최근 인공지능의 발전, 특히 GPT-3.5 및 GPT-4와 같은 대규모 언어 모델(LLMs)은 이 분야에 새로운 차원을 도입하며 전통적인 스타일로메트리 기술에 도전하고 있습니다. 본 연구는 기능성을 유지하면서 코드 스타일로메트리를 변경하는 데 있어 LLM의 효과를 조사하고, 다양한 프롬프트 엔지니어링(Prompt Engineering) 전략의 영향을 평가합니다. 포괄적인 실험을 통해, 우리는 이러한 모델들이 저자 식별을 위해 학습된 랜덤 포레스트(Random Forest) 분류기의 탐지를 피하기 위해 스타일적 특징을 얼마나 잘 은폐할 수 있는지 평가합니다. 결과에 따르면, 싱글샷(Single-shot) 방식과 멀티샷(Multi-shot) 방식 간의 효과성에 상당한 차이가 있음이 드러났으며, 상세하고 구조화된 프롬프트의 중요성이 강조되었습니다. 또한, 기능성 유지 점검을 통해 코드 수정 후 코드의 무결성(Integrity)을 유지하는 데 따르는 어려움을 입증했습니다. 본 연구는 고급 AI 능력에 맞선 저자 식별 기술의 견고성에 대한 중요한 통찰을 제공하며, 향후 사이버 보안 및 소프트웨어 공학 발전에 정보를 제공합니다.