AlphaFold 영감을 받은 코드 복제 탐지 프레임워크

초록

AlphaCC는 코드 조각을 토큰 시퀀스로 변환하고, 유사 토큰 시퀀스를 검색해 다중 시퀀스 정렬(Code MSA)을 구성한 뒤, AlphaFold의 Evoformer를 변형한 Codeformer 인코더로 의미론적 표현을 학습한다. 최종 단계에서는 늦은 상호작용을 통해 두 코드 조각 간 유사도를 계산하고 이진 분류기로 복제 여부를 판단한다. 실험 결과, 기존 토큰 기반·IR 기반 방법들을 모두 능가하며, 도구 의존성을 없애면서도 효율성을 유지한다.

상세 분석

AlphaCC는 코드 복제 탐지라는 문제를 단일 토큰 시퀀스로부터 고수준 의미를 추출해야 하는 ‘단일 시퀀스 도전’에 대한 해결책으로 AlphaFold의 설계를 차용한다. 첫 번째 단계인 토큰 시퀀스 변환 후, AlphaFold가 단일 단백질 서열에 대해 동종 서열을 MSA 형태로 보강하듯이, AlphaCC는 대규모 코드베이스에서 레터럴하게 유사한 코드 조각을 검색해 Code MSA를 만든다. 이 과정은 기존 토큰 기반 방법이 겪는 의미 부족 문제를 크게 완화한다. 두 번째 단계에서는 AlphaFold의 Evoformer를 변형한 Codeformer를 사용한다. Codeformer는 내부 시퀀스 셀프‑어텐션과 교차 시퀀스 어텐션을 동시에 수행해, 동일 코드 조각 내부의 토큰 관계와 Code MSA 내 다른 시퀀스 간의 상관관계를 모두 포착한다. 특히 토큰 유형별(식별자, 연산자, 키워드 등)로 별도 프로젝터를 두어 타입‑특화 의미 공간을 만든 뒤, 이 공간 간 상호작용을 어텐션으로 통합함으로써 타입‑감지 능력을 강화한다. 세 번째 단계에서는 구조 모듈을 배제하고, Late Interaction 방식을 도입해 두 코드 조각의 최종 임베딩을 비교한다. 마진 기반 손실 함수를 사용해 같은 기능을 가진 쌍은 점수를 높이고, 다른 기능을 가진 쌍은 점수를 낮추도록 학습한다. 실험에서는 GCJ, BigCloneBench, OJClone 세 데이터셋에서 각각 97.4 %, 96.0 %, 98.6 %의 정확도를 기록했으며, 이는 기존 IR‑기반 AST·그래프 모델을 포함한 모든 베이스라인을 앞선 결과다. 특히 도구‑의존적인 파싱·그래프 생성 단계가 필요 없는 토큰 기반 접근임에도 불구하고 의미론적 클론을 높은 정밀도로 탐지한다는 점이 주목할 만하다. 효율성 측면에서도 Codeformer는 Transformer 기반이지만, MSA 구성과 어텐션 연산을 효율적으로 구현해 IR‑기반 방법보다 빠른 추론 속도를 보인다. 한계점으로는 Code MSA를 만들기 위한 대규모 코드베이스 검색 비용과, 현재는 파이썬·자바 등 제한된 언어에만 실험을 진행했다는 점을 들 수 있다. 향후에는 멀티‑언어 지원과 검색 비용 최적화를 통해 실용성을 더욱 높일 여지가 있다.