본문으로 건너뛰기
정적 분석의 경고에 문맥을 더하는 SCAN과 AI 리뷰
목차

정적 분석의 경고에 문맥을 더하는 SCAN과 AI 리뷰 (2025-09)

원문 정보

  • 원문: 실시간 코드 리뷰 및 품질 관리: AI 기반 정적 분석 기술
  • 매체 · 게시일: 카카오 기술블로그 · 2025-09-19
  • 저자: 본문에 저자 미표기
  • 같은 날 올라온 ‘실시간 코드 리뷰 및 품질 관리’ 연재 세 편 중 가운데 글입니다. 앞에 AI 도입의 필요성 편이, 뒤에 단위 테스트 자동 생성 편이 있습니다.
  • 원문 내용을 바탕으로 재구성한 요약입니다.

가짜 경고 속에 숨은 보안 위협

경고가 많다고 안심할 수는 없습니다. 프로그램을 실행하지 않고 소스에서 오류와 취약점을 찾는 정적 분석은, 입력값을 다른 함수에서 이미 검증했거나 프레임워크가 내부에서 방어하는 코드에도 경고를 보내는 일이 많습니다. 개발자는 수많은 가짜 경고 속에서 진짜 위협을 놓칠 수 있습니다.

카카오의 사내 정적 분석 도구 SCAN은 보안 룰을 적용해 eval('obj.' + propName) 같은 Dynamic Injection을 탐지합니다. 보안 취약점의 유형은 다양합니다. 원문이 예로 든 OWASP Top 10 항목에는 접근 제어 실패(A01), 인젝션(A03), 취약하거나 오래된 컴포넌트(A06), 인증 실패(A07) 등이 있습니다. 일부는 정규식이나 패턴으로 찾지만, 상당수는 조건문의 흐름과 입력 필터링 누락, 예외 처리까지 살펴야 합니다.

AI는 이 문맥을 읽는 분석을 보완할 수 있습니다. 웹 라우팅 함수가 사용자 입력 keyword를 HTML 문자열에 넣는 예에서, GPT 기반 모델은 XSS 가능성을 짚고 escape(), sanitize() 또는 템플릿 엔진 사용을 권할 수 있습니다. 정적 분석이 빠르고 정형화된 룰 탐지에 강하다면, AI는 문맥에 맞는 자연어 리팩토링 제안과 사용자 피드백을 반영한 학습(Few-shot, Fine-tune)에 강점이 있습니다.

AI 리뷰는 SonarQube, Semgrep, SpotBugs 같은 기존 분석기와 함께 운영하는 것이 일반적입니다. 카카오도 SCAN과 AI 모델 기반 분석 도구를 연계해 정확성·설명력·확장성을 높이도록 구성하고 있습니다.

키와 타입 너머의 설정 조합

리뷰 대상은 소스 코드에 그치지 않습니다. Spring Boot의 application.yml, Docker의 docker-compose.yml, Kubernetes의 deployment.yaml, Python의 .env도 실행 환경과 보안 정책, 외부 연동 조건을 정합니다. 이런 설정 파일은 코드와 달리 컴파일러나 IDE가 검증하지 않고, 오류가 런타임 이후에야 드러나며 장애 원인의 높은 비율을 차지합니다.

설정 오류는 누락, 오타, 범위 오류, 상호 충돌로 나눕니다. 연결·소켓·읽기 타임아웃, 스레드·큐 크기, DB 커넥션 풀, JVM 힙과 GC, CORS·CSRF 같은 API 보안 설정이 고위험 설정 범주에 속합니다. 정적 분석과 스키마 검증은 키와 타입, 필수 값 누락, 정규식으로 표현한 허용값을 검사합니다. 특정 필드가 참이면 다른 필드를 필수로 두는 의존 조건도 확인할 수 있습니다.

설정 조합의 의미와 과거 장애 맥락은 AI가 보완할 영역입니다. 원문은 배포 스크립트의 APM 애플리케이션 키 옵션을 실수로 삭제한 상황을 가정해 GPT 기반 모델로 검토하는 예를 듭니다. 설정 간 논리적 충돌이나 비권장 조합을 찾고, 과거의 유사한 구성 오류를 바탕으로 위험도를 평가하는 접근입니다.

이를 리뷰에 연결하는 구성 예시는 CI의 schema-check에서 시작합니다. 먼저 YAML 오류를 거른 뒤 변경된 설정 diff를 AI에 전달해 위험도를 추정하고 리뷰 코멘트를 생성합니다. 점수가 임계값 이상이면 PR 코멘트를 등록하거나 배포 차단 트리거와 연동할 수 있습니다.

복잡도 점수 옆에 붙는 리팩토링 제안

복잡도 분석에서는 계산값에 LLM의 해석을 붙입니다. 순환 복잡도는 제어 흐름의 분기 수를 바탕으로 M = E - N + 2P로 계산하며, 대부분의 정적 분석 도구는 1 + 조건문의 수로 단순화해 구현하기도 합니다. if, while, for, catch, case, &&, || 등을 세는 방식입니다. 원문의 validate 메소드는 if 세 개와 || 하나가 있어 복잡도가 1 + 3 + 1 = 5입니다. 일반적으로 10 이상이면 리팩토링을 권장하고, 20 이상이면 매우 복잡한 코드로 보고 리뷰나 테스트 강화를 권합니다.

분기 수만으로 읽기 어려운 정도를 설명하기는 어렵습니다. 인지 복잡도는 중첩 깊이, 흐름의 깔끔함, 반환 위치의 예측 가능성까지 반영합니다. 가령 for 안에 if, 그 안에 while이 들어간 코드는 순환 복잡도가 낮아도 인지 복잡도가 높게 평가될 수 있습니다. 보통 인지 복잡도가 15 이상이면 이해하기 어려운 코드로 봅니다.

LLM이 이 값을 직접 계산하지는 않습니다. 조건문·루프·try-catch의 AST 노드 수와 중첩 수준, 분기마다의 예외 처리·로깅·부수효과, 같은 기능을 구현한 다른 코드와의 유사도를 보고 복잡한 패턴을 인식합니다. 수치가 가리킨 코드에서 무엇이 읽기를 방해하는지 설명하고, 조건을 별도 메소드로 분리하거나 로깅과 에러 처리를 명확히 하도록 제안하는 역할입니다.

원문의 복합 분석 예시는 순환 복잡도 13, 인지 복잡도 21에 중첩 조건문과 긴 논리 조합을 지적하는 피드백을 붙입니다. 이런 결과는 GitHub PR 리뷰나 품질 보고서에 담으며, 배포 차단 조건이나 QA 심각도 분류 기준으로도 사용할 수 있습니다.

팀의 수정 이력으로 학습하는 버그 예측 모델

과거의 실수를 학습하려면 먼저 진짜 버그 수정 이력을 골라야 합니다. fix가 붙었다고 모두 버그 수정은 아닙니다. 단순 오타 수정이나 설정 변경에도 쓰이므로, 정상 커밋과 버그 수정 커밋을 구분할 때 Jira의 Bug 레이블과 연동하는 등 데이터 정제가 모델 성능을 좌우합니다. 정적 분석 도구가 검출한 이슈를 수정한 커밋도 중요한 학습 자료입니다.

예를 들어 user의 null 여부만 확인하던 코드에 user.getName()의 null 검사도 추가했다면, 변경 전후 코드에 NullDereference 레이블을 붙일 수 있습니다. 이런 변경 수천~수십만 건으로 데이터셋을 구성합니다. Defects4J와 CVEfixes 같은 공개 데이터도 활용할 수 있지만, 가장 좋은 것은 팀의 코드베이스와 개발 문화가 담긴 자체 데이터셋입니다.

모델 선택에는 서로 다른 부담이 따릅니다. RandomForest나 XGBoost 같은 ML 분류 모델은 가볍고 해석이 비교적 쉽습니다. 대신 코드 복잡도나 API 호출 빈도처럼 버그와 관련된 피처를 정의하는 작업이 어렵고, 코드의 미묘한 문맥을 반영하는 데도 한계가 있습니다.

CodeBERT나 GPT를 활용하는 LLM 기반 패턴 유사도 모델은 피처 엔지니어링 없이 문맥과 의미를 판단해 더 높은 정확도를 보일 잠재력이 있습니다. 그만큼 GPU 인프라 비용이 부담될 수 있고, 코드베이스에 맞춘 파인튜닝에는 상당한 전문성이 필요합니다. 초기에는 유사 버그 사례를 검색해 제공하는 RAG가 더 현실적인 대안이 될 수 있습니다.

예측 결과도 점수에서 끝나지 않습니다. 원문의 리뷰 예시는 위험 점수 0.91에 과거 유사 버그 티켓, user.getName() 호출 전 null 확인 제안, 로그인 실패 가능성과 담당자를 함께 담습니다. 과거 사례와 비즈니스 영향을 보여주면 개발자가 경고를 더 심각하게 받아들이고 조치하게 됩니다.

복잡도 판단 기준과 설정 검증 흐름
항목값
순환 복잡도 단순화 식1 + 조건문의 수
순환 복잡도 권고 기준10 이상 리팩토링 권장, 20 이상 리뷰·테스트 강화
인지 복잡도 기준15 이상이면 이해하기 어려운 코드
버그 데이터 구성정상 커밋, 버그 수정 커밋 (Jira Bug 레이블 연동으로 정제)
설정 오류 유형누락, 오타, 범위 오류, 상호 충돌
하이브리드 CI 흐름schema-check, AI diff 분석, 임계값 초과 시 PR 코멘트 또는 배포 차단
마지막 수정 일자