몇 초 만에 당신을 찾을 수 있습니다! 소스 코드 저자 식별을 위한 대규모 언어 모델 활용
본 연구는 대규모 언어 모델(LLM)을 이용하여 소스 코드 저작자를 식별하는 새로운 방법을 제시합니다. LLM의 뛰어난 일반화 능력을 활용하여 다양한 프로그래밍 언어와 코딩 스타일에 대한 높은 정확도를 달성하였으며, 특히 토너먼트 방식의 접근법을 통해 대규모 데이터셋에서도 효과적인 결과를 보였습니다. 이는 소프트웨어 보안 및 개발 분야에 혁신적인 변화를 가져올 것으로 기대됩니다.

소프트웨어 포렌식, 표절 탐지, 그리고 소프트웨어 패치 무결성 보호는 현대 소프트웨어 개발 및 보안 분야에서 매우 중요한 이슈입니다. 이러한 문제 해결에 있어서 소스 코드 저작자 식별은 핵심적인 역할을 합니다. 하지만 기존의 방법들은 지도 학습에 의존하며, 방대한 라벨링된 데이터셋이 필요하여 다양한 프로그래밍 언어와 코딩 스타일에 대한 일반화 능력이 부족했습니다.
최근 대규모 언어 모델(LLM) 의 발전은 자연어 저작자 분석 분야에 혁신을 가져왔습니다. LLM은 특정 작업에 대한 미세 조정 없이도 뛰어난 성능을 보여주고 있습니다. 이러한 LLM의 잠재력에 주목하여, Soohyeon Choi를 비롯한 연구팀은 LLM을 이용한 소스 코드 저작자 식별에 대한 획기적인 연구를 진행했습니다.
연구팀은 다양한 프로그래밍 언어에 걸쳐 소스 코드 저작자를 성공적으로 식별할 수 있음을 보여주었습니다. 놀랍게도, LLM은 제로샷 프롬프팅을 통해 두 코드 조각이 동일한 저자에 의해 작성되었는지 여부를 판별할 수 있었으며, Matthews Correlation Coefficient (MCC) 는 무려 0.78에 달했습니다. 또한, 퓨샷 학습을 통해 소량의 참조 코드 조각만으로도 0.77의 MCC를 달성했습니다. 더 나아가, LLM은 저작자 오류 공격에 대해 어느 정도의 적대적 강건성을 보여주었습니다.
하지만, 단순한 LLM 프롬프팅은 저자 수가 많아질수록 입력 토큰 제한으로 인해 확장성이 떨어지는 한계를 보였습니다. 이 문제를 해결하기 위해 연구팀은 토너먼트 방식의 새로운 접근법을 제안했습니다. GitHub에서 수집한 C++ (500명의 저자, 26,355개의 샘플)과 Java (686명의 저자, 55,267개의 샘플) 코드 데이터셋을 이용한 실험 결과, 저자당 하나의 참조만을 사용하여 C++에서는 최대 65%, Java에서는 **68.7%**의 분류 정확도를 달성했습니다.
이러한 결과는 사이버 보안 및 소프트웨어 엔지니어링 분야에서 LLM을 소스 코드 저작자 식별에 적용할 수 있는 새로운 가능성을 열어줍니다. 앞으로 LLM 기반의 소스 코드 저작자 식별 기술은 소프트웨어 보안 및 개발 과정 전반에 걸쳐 혁신적인 변화를 가져올 것으로 기대됩니다. 하지만, LLM의 확장성 및 다양한 코딩 스타일, 코드 난독화 기법 등에 대한 추가적인 연구가 필요할 것입니다.
Reference
[arxiv] I Can Find You in Seconds! Leveraging Large Language Models for Code Authorship Attribution
Published: (Updated: )
Author: Soohyeon Choi, Yong Kiam Tan, Mark Huasong Meng, Mohamed Ragab, Soumik Mondal, David Mohaisen, Khin Mi Mi Aung
http://arxiv.org/abs/2501.08165v1