제어 흐름 그래프 기반 그래프 신경망을 이용한 비실행 경로 예측 기법 = Infeasible Path Prediction Approach Using Control Flow Graph-Based Graph Neural Networks

국문 초록 (Abstract)

항공·국방과 같은 안전 필수 분야에서 소프트웨어의 비중이 증가함에 따라 정적 분석의 중요성도 커지고 있다. 소프트웨어 규모가 증가함에 따라 정적 분석 도구가 모든 경로를 탐색하는 과정에서 경로 폭발이 발생하고, 이로 인해 비실행 경로가 분석에 포함되게 된다. 이러한 비실행 경로는 불필요한 자원을 소모하고 오탐을 발생시켜 전체 분석 정확도를 저하시킨다. 본 논문에서는 비실행 경로를 예측하는 모델을 제안한다. 제안 모델은 Clang Static Analyzer로부터 추출한 제어 흐름 그래프(CFG)로부터 얻은 구조적 신호, 경량 의미 정보 플래그, 전역 요약 신호를 통합하여 그래프 신경망(GNN)으로 학습한다. 본 모델은 그래프 어텐션 네트워크(GAT)를 사용하며, 동일한 조건에서 그래프 합성곱 네트워크(GCN) 및 XGBoost와 성능을 비교하여 성능을 평가한다. 실험 결과, GAT 모델은 91.6%의 정확도를 달성하며 가장 높은 성능을 보인다.

다국어 초록 (Multilingual Abstract)

Since the proportion of software increases in safety-critical fields such as aviation and defense, the importance of static analysis continues to grow. As software scales, path explosion occurs and infeasible paths are introduced into the analysis when static analysis tools explore all possible paths. These infeasible paths consume resources and generate false alarms, which reduces overall accuracy. In this paper, we propose a model which predicts the presence of infeasible paths. The model is trained using a Graph Neural Network (GNN) based on function-level Control Flow Graphs (CFGs) extracted from the Clang Static Analyzer (CSA). Key features integrate structural signals, lightweight semantic flags, and global summary signals derived from the CFG. The proposed model is based on a graph attention network (GAT), and its performance is evaluated against graph convolutional networks (GCNs) and XGBoost under the same conditions. Experimental results show that the GAT model achieves an accuracy of 91.6%.