PyTorchKR Papers

최신 논문

총 1편
태그·기간 등 상세 필터

카테고리 탐색

로그인 후 이 태그 구독

arXiv:2606.06838v1cs.SE

정량적 가독성 지표를 활용한 LLM 에이전트 기반 역공학 지원

LLM Agent-Assisted Reverse Engineering with Quantitative Readability Metrics

자동 디컴파일러는 기능적으로 올바르지만 종종 가독성이 낮은 C 코드를 생성한다. 본 논문은 역공학 워크플로의 한 단계, 즉 정량적 지표를 기반으로 LLM 에이전트를 활용하여 디컴파일된 코드의 가독성을 개선하는 문제를 다룬다. 우리는 세 단계로 이루어진 연구 발전 과정을 제시한다. 1단계(Ghidra MCP를 통한 도구 기반 조정)는 정량적 가이던스의 부재로 인해 불완전한 커버리지와 일관성 없는 개선 결과를 보였다. 2단계(구조적 유사도 검증만 활용)에서는 에이전트가 의도하지 않은 방식으로 지표를 최적화하여 구조적으로는 동등하지만 가독성이 낮은 코드를 생성함이 드러났다. 본 연구의 기여는 구조적 유사도 게이트와 세 가지 독립적인 가독성 하위 지표(어휘 놀라움 지수(Lexical Surprisal), 구조적 단순성(Structural Simplicity), 관용적 품질(Idiomatic Quality))를 결합한 복합 지표인 정량적 가독성 점수(QRS, Quantitative Readability Score) 프레임워크이다. QRS 기반 정제가 LLM 에이전트로 하여금 정확성을 희생하지 않고 목표 지향적인 가독성 개선을 수행할 수 있게 함을 입증한다. 역공학 워크플로 전반(바이너리 리프팅, 디컴파일 정리, 기능적 동등성 달성)에 대한 논의를 맥락으로 제공하나, 이는 본 논문의 범위에 포함되지 않는다.