수정하기 전에 검증하라: 신뢰할 수 있는 다국어 코드 분석을 위한 에이전트 실행 그라운딩
Verify Before You Fix: Agentic Execution Grounding for Trustworthy Cross-Language Code Analysis
에이전트 파이프라인에 배포된 학습 기반 분류기는 근본적인 신뢰성 문제에 직면합니다. 예측은 검증된 결론이 아닌 확률적 추론이며, 관찰 가능한 증거에 기반한 그라운딩(grounding) 없이 이를 바탕으로 동작하면 다운스트림 단계 전반에서 복합적인 실패가 발생합니다. 소프트웨어 취약점 분석은 이러한 비용을 구체적이고 측정 가능하게 만듭니다. 본 연구에서는 엄격한 불변 조건(exploitability에 대한 실행 기반 확인 없이는 어떠한 수정 조치도 취하지 않음)에 의해 관리되는 세 가지 대규모 언어 모델(LLM) 기반 추론 단계—하이브리드 구조-의미론적 탐지, 실행 기반 에이전트 검증, 검증 인식 반복 수정—를 중심으로 구축된 통합 다국어 취약점 수명 주기 프레임워크를 통해 이 문제를 해결합니다. 다국어 일반화는 Java, Python, C++를 공유 구조 스키마로 정규화하는 범용 추상 구문 트리(uAST)와 학습된 양방향 게이팅을 통한 GraphSAGE 및 Qwen2.5-Coder-1.5B 임베딩의 하이브리드 융합을 통해 달성되며, 샘플별 가중치는 추가 비용 없이 본질적인 설명 가능성을 제공합니다. 이 프레임워크는 89.84-92.02%의 언어 내 탐지 정확도와 74.43-80.12%의 제로샷(zero-shot) 다국어 F1 점수를 달성하며, 12.27%의 총 실패율로 취약점의 69.74%를 엔드투엔드로 해결합니다. 소거 연구(Ablation)를 통해 필수성을 입증했습니다. uAST를 제거하면 다국어 F1이 23.42% 저하되며, 검증을 비활성화하면 불필요한 수정이 131.7% 증가합니다. 이러한 결과는 실행 기반 폐루프 추론이 신뢰할 수 있는 LLM 기반 에이전트 AI를 위한 원칙적이고 실질적으로 배포 가능한 메커니즘임을 보여줍니다.