본 논문에서는 소프트웨어 검증 알고리즘의 자동 선택을 위한 새로운 접근 방식인 MFH를 제안합니다. 기존의 자동 알고리즘 선택 방식이 머신러닝 전략이나 수동 설계된 휴리스틱에 의존하여 고품질 샘플이나 확장성 문제를 겪는 것과 달리, MFH는 검증기가 정확한 결과를 생성하기 위해 특정 알고리즘을 구현하고, 이러한 검증기가 지원하는 알고리즘이 잠재적으로 적용 가능한 알고리즘을 반영한다는 휴리스틱을 활용합니다. MFH는 의미 보존 변환 프로그램의 코드 속성 그래프(CPG)를 통합하여 예측 모델의 강건성을 높이고, 알고리즘 선택 작업을 잠재적으로 적용 가능한 알고리즘 예측 및 가장 적합한 검증기 매칭의 하위 작업으로 분해합니다. 또한, 잘못된 예측에 대한 피드백 루프를 도입하여 모델 예측 정확도를 향상시킵니다. 20개의 검증기와 15,000개 이상의 검증 작업에 대한 평가 결과, MFH는 학습 단계에서 실제 알고리즘 레이블 없이도 91.47%의 예측 정확도를 달성했으며, 10개의 새로운 검증기를 추가했을 때에도 예측 정확도가 0.84%만 감소하는 등 강력한 확장성을 보였습니다.
