딥러닝으로 코드 표절 잡는다! LLM 기반 코드 표절 탐지 기술의 혁신

본 연구는 LLM을 이용한 코드 표절 문제의 심각성을 부각하고, 새로운 데이터셋 LPcode와 탐지 기법 LPcodedec을 제시하여 기존 방식보다 향상된 성능과 속도를 달성했습니다. 코딩 스타일 차이를 분석하여 표절 탐지 및 LLM 식별에 성공, 지적재산권 보호에 기여할 것으로 기대됩니다.

최근 생성형 인공지능(AI) 모델, 특히 대규모 언어 모델(LLM)의 발전으로 코드 생성이 쉬워졌습니다. 하지만 이는 동시에 지적재산권 침해라는 심각한 문제를 야기합니다. 악의적인 사용자는 LLM을 이용하여 기존 코드를 변형, 즉 '표절'하여 원본과 유사하지만 다른 코드를 생성할 수 있습니다. 이러한 LLM 기반 코드 표절 문제는 날로 심각해지고 있지만, 이를 탐지하는 기술은 아직 부족한 실정입니다.

박신우, 진현동, 차정원, 한요섭 연구팀은 이러한 문제에 대한 해결책을 제시하는 획기적인 연구를 발표했습니다. 연구팀은 LPcode 라는 새로운 데이터셋을 구축하여 LLM을 이용해 표절된 코드와 원본 코드를 짝으로 구성했습니다. 다양한 LLM을 사용하여 표절 코드를 생성, 다양한 표절 유형을 포괄하는 데이터셋을 완성했습니다.

연구의 핵심은 바로 코딩 스타일입니다. 연구팀은 사람이 작성한 코드와 LLM이 생성한 코드의 코딩 스타일에 통계적으로 유의미한 차이가 있음을 발견했습니다. 특히, 명명 규칙 일관성, 코드 구조, 가독성 등에서 차이가 크다는 것을 확인했습니다.

이러한 발견을 바탕으로 연구팀은 LPcodedec 이라는 새로운 탐지 기법을 개발했습니다. LPcodedec은 사람이 작성한 코드와 LLM이 생성한 코드 간의 표절 관계를 탐지하고, 어떤 LLM이 사용되었는지까지 식별합니다. 놀라운 점은 LPcodedec이 기존 최고 성능의 방법들보다 훨씬 뛰어난 성능을 보였다는 것입니다. F1 점수를 각각 2.64%와 15.17% 향상시켰으며, 속도는 무려 1,343배와 213배나 빨라졌습니다! 이는 실제 환경에서의 활용 가능성을 크게 높이는 결과입니다.

이 연구는 LLM 기반 코드 표절 문제에 대한 효과적인 해결책을 제시하여 지적재산권 보호에 크게 기여할 것으로 기대됩니다. 앞으로 더욱 발전된 기술을 통해 AI 시대의 코드 표절 문제를 해결하고 안전하고 윤리적인 AI 개발 환경을 조성하는데 중요한 역할을 할 것으로 예상됩니다.