Files

T

koriweb 5ba5a55c78 feat: Wiki 지식 자산 업데이트 - UX Scenarios, Frontend, Game Design, Topics 추가 [2026-05-08]

2026-05-08 19:52:07 +09:00

5.4 KiB

Raw Blame History

id, title, category, status, canonical_id, aliases, duplicate_of, source_trust_level, confidence_score, tags, raw_sources, last_reinforced, github_commit, inferred_by, tech_stack

title

추상 구문 트리(AST)

📌 한 줄 통찰 (The Karpathy Summary)

추상 구문 트리(AST, Abstract Syntax Tree)는 소스 코드를 파싱하여 언어의 문법적 구조와 형태를 표현한 트리 형태의 데이터 구조입니다 [1, 2]. 콘크리트 구문 트리(CST)와 달리 코드의 레이아웃이나 주석, 매크로 등은 기본적으로 포함하지 않고 핵심적인 구문(Syntax) 및 어휘(Lexical) 기능만을 보존하는 것이 특징입니다 [1, 3]. 정적 애플리케이션 보안 테스트(SAST), 린터(Linter) 도구, 그리고 개발자의 코딩 스타일을 분석하는 코드 스타일로메트리(Code Stylometry) 등에서 소스 코드를 구조적으로 분석하고 특징을 추출하는 핵심 기반 기술로 사용됩니다 [2, 4, 5].

📖 구조화된 지식 (Synthesized Content)

개념 및 구조적 특징: AST는 소스 코드를 파싱하는 과정을 통해 생성되며, 개발자가 구성한 문법적 구조를 계층적으로 나타냅니다 [1, 2]. 전처리 과정 후의 코드를 트리 구조로 매핑하기 때문에 주석(Comments), 매크로(Macros), 들여쓰기나 공백과 같은 코드의 레이아웃 속성은 추상화되어 포함되지 않습니다 [1, 3, 6]. 따라서 코드의 띄어쓰기나 들여쓰기 방식 등 시각적 포맷을 전면적으로 수정하더라도 파싱 결과로 얻어지는 AST는 동일하게 유지됩니다 [6].
코드 스타일로메트리(저자 식별)에서의 활용: 머신러닝 기반의 소스 코드 저자 식별 연구(예: code2vec 모델 적용)에서 AST는 소스 코드 파일로부터 저자의 구문적 특징(Syntactic features)을 추출하는 입력 데이터로 사용됩니다 [4, 7]. 특정 연구에서는 AST 노드의 바이그램(bigram)에 대한 빈도를 계산하여 저자를 식별하는 데 가장 유의미한 특징으로 활용하기도 했습니다 [7]. 하지만 AST는 저자 스타일의 본질적 구문적 측면만을 포착할 뿐, 레이아웃 특징을 배제하기 때문에 콘크리트 구문 트리(CST)를 사용할 때와 비교하여 식별 정확도가 상대적으로 낮아진다는 한계가 존재합니다 [8, 9].
정적 코드 분석(SAST 및 Linter)에서의 역할: 프로그램을 실행하지 않고 코드의 구조와 구문을 검사하여 코딩 실수, 보안 취약점, 성능 병목 현상 등을 찾아내는 SAST 도구들은 소스 코드를 파싱해 AST를 빌드한 후 다양한 분석 기법을 적용하여 문제를 탐지합니다 [2]. 또한, 프론트엔드 개발 생태계에서도 ESLint와 같은 린팅 도구(eslint-plugin-jsx-a11y 등)가 AST 분석을 통해 코드의 접근성 문제 및 문법 오류에 대한 즉각적인 피드백을 제공합니다 [5].

⚠️ 모순 및 업데이트 (Contradictions & Updates)

과거 데이터와의 충돌: 자동화 엔진에 의해 매핑된 지식으로, 추후 정밀 검증 필요.
정책 변화: Programming & Language 분야의 자동 자산화 수행.

🔗 지식 연결 (Graph)

Related Topics: 콘크리트 구문 트리(CST), 코드 스타일로메트리(Code Stylometry), 정적 애플리케이션 보안 테스트(SAST)
Projects/Contexts: ESLint, code2vec, Google Code Jam 데이터셋
Contradictions/Notes: 소스 코드의 저자 식별 시 AST를 활용하면 저자 고유의 구문적 특성을 성공적으로 추출할 수 있지만, 레이아웃 정보가 누락되기 때문에 CST를 활용한 분석에 비해 정확도가 떨어진다는 점이 연구 결과로 입증되었습니다(AST 기반 51%에서 CST 기반 68%로 정확도 상승) [8].

Last updated: 2026-04-19

🤖 LLM 활용 힌트 (How to Use This Knowledge)

언제 이 지식을 쓰는가:

(TODO)

언제 쓰면 안 되는가:

(TODO)

🧪 검증 상태 (Validation)

정보 상태: needs_review
출처 신뢰도: A
검토 이유: (P-Reinforce Phase 1 자동 정규화. 본문 검증 필요.)

🧬 중복 검사 (Duplicate Check)

기존 유사 문서: (TODO: 인덱서 클러스터 리포트 참조)
처리 방식: UPDATE (자동 정규화)
처리 이유: Phase 1 정규화 — 옛 템플릿/누락 필드 보강.

🕓 변경 이력 (Changelog)

날짜	변경 내용	처리 방식	신뢰도
2026-05-08	P-Reinforce Phase 1 정규화 (frontmatter + 헤더 표준화)	UPDATE	A

💻 코드 패턴 (Code Patterns)

패턴 1: (TODO: 이 프로젝트 컨벤션 반영한 구조 스켈레톤)

# TODO

🤔 의사결정 기준 (Decision Criteria)

선택 A를 써야 할 때:

(TODO)

선택 B를 써야 할 때:

(TODO)

기본값:

(TODO)

❌ 안티패턴 (Anti-Patterns)

[안티패턴]: (TODO: 무엇을 하면 안 되는가 + 이유 + 대신 무엇을)

5.4 KiB Raw Blame History