PyTorchKR Papers

최신 논문

총 1편
태그·기간 등 상세 필터

카테고리 탐색

로그인 후 이 태그 구독

arXiv:2606.20969v1cs.AI

AutoACSL: LLM과 CPG 기반 정적 분석 통합을 통한 ACSL 명세 합성

AutoACSL: Synthesizing ACSL Specifications by Integrating LLMs with CPG-Based Static Analysis

C 프로그램에 대한 형식 명세 생성은 수동 작업, 전문성, 의미적 정밀도가 요구되어 형식 검증에서 여전히 어려운 과제로 남아 있다. 최근 대규모 언어 모델(LLM)의 발전은 명세 합성 자동화에 가능성을 제공하지만, 현재 접근법은 종종 의미적 깊이가 부족하고 검증 불가능하거나 불완전한 계약을 생성한다. 이러한 한계를 해결하기 위해, LLM 프롬프팅과 코드 속성 그래프(CPG)에서 추출한 의미적 특징을 통합하는 새로운 프레임워크인 AutoACSL을 제안한다. AutoACSL은 정적 분석을 수행하여 산술 연산, 루프 및 재귀 구조, 반환값 전파를 포함한 핵심 의미 요소를 추출하고, 이를 구조화된 프롬프트로 인코딩한다. 이러한 프롬프트는 LLM이 일반적인 동작 명세뿐 아니라 런타임 오류를 유발하는 입력을 방지하는 제약까지 생성할 수 있게 한다. AutoACSL은 후보 명세를 Frama-C/WP로 검증하고 검증에 성공하거나 종료 조건이 충족될 때까지 반복적으로 정제하는 피드백 기반 합성 루프를 사용한다. 다양한 데이터셋에서 추출한 604개 프로그램에서 평가한 결과, AutoACSL은 Gemini-3와 결합했을 때 98%의 명세 생성 성공률과 96%의 완전 증명률을 달성했다. 코드 전용 기준선과 비교하면, AutoACSL은 네 가지 LLM(GPT-o4 Mini, GPT-5.2, Grok-4.1, Gemini-3)에서 완전 증명률을 24.7%에서 51.7%까지 향상시켰으며, CPG 기반 정적 분석과 대규모 언어 모델의 통합이 자동 ACSL 명세 합성에서 생성 견고성과 검증 효과를 모두 크게 향상시킴을 보여준다.