대규모 언어 모델과 프로그램 분석을 결합한 하이브리드 자동 프로그램 수리

자동 프로그램 수리(APR)는 인간 개발자를 위한 버그 수리 프로세스를 간소화할 수 있는 잠재력 덕분에 많은 관심을 받고 있습니다. 최근 LLM 기반 APR 방법이 실제 버그 수리에 대한 가능성을 보여주었습니다. 그러나 기존의 APR 방법은 프로그램 특화 지식이 부족하여 LLM이 생성한 패치를 추가적인 최적화 없이 사용하곤 하여 효과가 감소하는 경향이 있습니다. 게다가 이러한 APR 방법의 평가는 일반적으로 완벽한 결함 위치 추정을 전제로 수행되어 실제 효과성을 정확하게 반영하지 않을 수 있습니다. 이러한 한계를 해결하기 위해, 본 논문에서는 GIANTREPAIR라는 혁신적인 APR 접근 방식을 소개합니다. 우리 방법은 LLM이 생성한 패치가 반드시 정확하지 않더라도 패치 생성 프로세스에 유용한 지침을 제공한다는 통찰력을 활용합니다. 이 통찰력을 바탕으로, GIANTREPAIR는 먼저 LLM 생성 패치에서 패치 스켈레톤을 구성하여 패치 공간을 제한한 다음, 스켈레톤을 인스턴스화하여 특정 프로그램에 맞춘 고품질 패치를 생성하는 컨텍스트 인식 패치 생성을 수행합니다. 우리 접근 방식의 성능을 평가하기 위해 두 가지 대규모 실험을 수행하였습니다. 그 결과 GIANTREPAIR는 LLM이 생성한 패치를 직접 사용하는 것보다 더 많은 버그를 효과적으로 수리하는 결과(Defects4J v1.2에서 평균 27.78%, Defects4J v2.0에서 23.40%)를 보였으며, 완벽한 결함 위치 추정 및 자동화된 결함 위치 추정 시나리오에서 각각 최소 42개 및 7개의 더 많은 버그를 수리함으로써 최신 APR 방법보다 우수한 성능을 나타냄을 입증하였습니다.