[논문 리뷰] Software Language Comprehension using a Program-Derived Semantic Graph

Roshni G. Iyer, Yizhou Sun외 2명|arXiv (Cornell University)|2020. 04. 02.

Software Engineering Research참고 문헌 16인용 수 7

한 줄 요약

이 논문은 프로그램의 다양한 추상화 수준에서 프로그램 의미를 포괄적으로 기록하는 새로운 그래픽 구조인 프로그램 유도 의미 그래프(PSG)를 소개한다. 이는 기존의 AST 및 IR과 같은 전통적 코드 표현 방식의 한계를 극복한다. PSG는 학습된 규칙에 의존하지 않는 구조적 모델을 통해 고차원 의미를 추출할 수 있으며, 자동화된 프로그램 이해를 위한 기초적 접근으로서 초기 성과를 보이고 있다.

ABSTRACT

Traditional code transformation structures, such as abstract syntax trees (ASTs), conteXtual flow graphs (XFGs), and more generally, compiler intermediate representations (IRs), may have limitations in extracting higher-order semantics from code. While work has already begun on higher-order semantics lifting (e.g., Aroma's simplified parse tree (SPT), verified lifting's lambda calculi, and Halide's intentional domain specific language (DSL)), research in this area is still immature. To continue to advance this research, we present the program-derived semantics graph, a new graphical structure to capture semantics of code. The PSG is designed to provide a single structure for capturing program semantics at multiple levels of abstraction. The PSG may be in a class of emerging structural representations that cannot be built from a traditional set of predefined rules and instead must be learned. In this paper, we describe the PSG and its fundamental structural differences compared to state-of-the-art structures. Although our exploration into the PSG is in its infancy, our early results and architectural analysis indicate it is a promising new research direction to automatically extract program semantics.

연구 동기 및 목표

• AST, XFG, 컴파일러 IR 등 전통적 코드 표현 방식이 고차원 의미를 포괄하지 못하는 한계를 해결하기 위해.
• 다양한 추상화 수준에서 프로그램 의미를 모델링할 수 있는 통합된 구조적 표현을 개발하기 위해.
• 사전 정의된 규칙에 기반하지 않고 대신 코드에서 학습되는 새로운 유형의 프로그램 표현을 탐색하기 위해.
• 학습 기반의 확장 가능한 의미 추출 프레임워크를 도입하여 자동화된 프로그램 이해 분야의 연구를 촉진하기 위해.

제안 방법

• 구문적 및 제어 흐름 경계를 초월해 프로그램 의미를 모델링하는 그래픽적 구조로 프로그램 유도 의미 그래프(PSG)를 설계하기 위해.
• 데이터 흐름, 제어 흐름, 의미 관계를 하나의 확장 가능한 그래프 구조에 통합하기 위해 PSG를 구성하기 위해.
• 수동으로 작성된 문법 또는 변환 규칙에 의존하지 않고, 코드에서 학습을 통해 PSG 구축 규칙을 학습하기 위해 머신 러닝 원리를 활용하기 위해.
• 기존 표현 방식(예: AST, IR 등)과 비교해 PSG의 표현력과 확장성 평가를 위해 아키텍처 분석을 적용하기 위해.
• 실제 코드베이스에서 고차원 의미 패턴을 포착할 수 있는 PSG의 능력을 평가하기 위해 초기 실험적 평가를 수행하기 위해.
• 최신 기술 수준의 표현 방식과의 구조적 차이에 초점을 맞춰, PSG가 더 풍부한 의미 모델링에 얼마나 유용한지 강조하기 위해.

실험 결과

연구 질문

• RQ1 기존의 AST 및 IR이 표현할 수 없는 고차원 의미를 프로그램 표현 방식이 어떻게 포괄할 수 있는가?
• RQ2 PSG가 기존 표현 방식보다 프로그램 이해에 더 효과적인 구조적 특성은 무엇인가?
• RQ3 의미 그래프가 사전 정의된 변환 규칙 대신 학습을 통해 자동으로 구축될 수 있는가?
• RQ4 PSG는 프로그램 의미 모델링에서 다중 추상화 수준을 얼마나 잘 지원하는가?
• RQ5 자동화된 코드 분석의 맥락에서 PSG의 아키텍처적 및 표현적 이점은 무엇인가?

주요 결과

• PSG는 단일 그래프 구조에 구문적, 제어, 의미적 관계를 통합함으로써 프로그램 의미 모델링에 새로운 접근 방식을 제시한다.
• PSG는 사전 정의된 변환 규칙에 제약을 받지 않아 코드 데이터에서 학습 가능하며, 이는 기존의 IR 및 AST와의 주요 차이점이다.
• 아키텍처 분석 결과, 최신 기술 수준의 표현 방식과 비교해 PSG는 고차원 의미 패턴 모델링에서 더 높은 표현력을 지닌 것으로 나타났다.
• 초기 결과는 PSG가 향후 자동화된 프로그램 이해 및 의미 업그레이드 연구를 위한 유망한 기초로 기능할 수 있음을 시사한다.
• PSG는 다중 추상화 수준을 지원하여 프로그램 이해의 다양한 세분성 수준에서의 분석이 가능하게 한다.