딥 강화학습 기반 서비스 분해 기법 Rake
📝 원문 정보
- Title:
- ArXiv ID: 2512.20381
- 발행일:
- 저자: Unknown
📝 초록 (Abstract)
서비스 기반 아키텍처(SBA)는 레거시 시스템을 현대화하기 위한 설계 스타일로 주목받고 있다. SBA는 시스템 기능을 캡슐화한 작고 느슨하게 결합된 자율 서비스들의 집합으로 시스템을 구축한다. 그러나 의미 있고 응집력 있는 기능 집합을 포함하도록 적절한 크기의 서비스를 정의하는 일은 여전히 어려운 과제이다. 기존 연구는 주로 특정 문서의 존재, 설계자와 같은 프로젝트 인원의 접근 가능성, 그리고 사전에 정의된 서비스 개수 등에 의존해 왔으며, 이러한 전제는 실제 현장에서는 만족되지 않는다. 본 연구는 이러한 한계를 극복하고자 구현 아티팩트를 활용해 서비스 개수를 자동으로 결정하는 딥 강화학습 기반 접근법을 제안한다. 우리는 Rake라는 새로운 방법을 설계했으며, 이는 시스템 문서와 소스 코드를 결합해 구현 메서드 수준에서 서비스 분해를 안내한다. Rake는 특정 문서나 인력의 존재를 요구하지 않으며 언어에 독립적이다. 또한 목표 함수를 사용자 정의할 수 있어 모듈화 품질과 비즈니스 역량 정렬(서비스가 목표 비즈니스 역량을 얼마나 잘 포괄하는가) 사이의 균형을 맞출 수 있다. 네 개의 오픈소스 레거시 프로젝트에 Rake를 적용하고 두 가지 최신 기법과 비교한 결과, 평균 7‑14% 높은 모듈화 품질과 18‑22% 강화된 비즈니스 역량 정렬을 달성하였다. 실험은 또한 비즈니스 컨텍스트만을 최적화할 경우 결합도가 높은 시스템에서 분해 품질이 저하될 수 있음을 보여주며, 균형 잡힌 목표 설정의 필요성을 강조한다.💡 논문 핵심 해설 (Deep Analysis)
본 논문은 서비스 기반 아키텍처(SBA) 전환 과정에서 가장 핵심적인 문제 중 하나인 “서비스 경계 정의”에 대한 새로운 해결책을 제시한다. 전통적인 서비스 분해 기법은 도메인 전문가 인터뷰, UML 다이어그램, 혹은 사전 정의된 비즈니스 시나리오와 같은 정형화된 입력에 크게 의존한다. 이러한 접근법은 문서가 부실하거나 인력이 제한된 레거시 시스템에 적용하기 어렵다는 한계를 가지고 있다. Rake는 이러한 제약을 극복하기 위해 강화학습(RL)이라는 데이터‑드리븐 메커니즘을 도입한다는 점에서 혁신적이다.Rake의 핵심 설계는 ‘메서드 수준’의 분해 단위를 선택하는 마코프 결정 과정(MDP)으로 모델링된다. 상태(state)는 현재까지 그룹화된 메서드 집합, 호출 그래프 구조, 그리고 문서에서 추출된 키워드·주제 분포 등 다차원 특징으로 구성된다. 행동(action)은 아직 그룹화되지 않은 메서드를 기존 서비스에 할당하거나 새로운 서비스를 생성하는 선택이다. 보상(reward)은 두 가지 축을 동시에 고려한다. 첫 번째는 모듈화 품질 지표(예: 응집도, 결합도, 모듈 크기 균형)이며, 두 번째는 비즈니스 역량 정렬 점수(문서·주석에서 추출된 비즈니스 용어와 서비스가 얼마나 일치하는가)이다. 사용자는 이 두 보상 요소에 가중치를 부여함으로써 목표 함수를 자유롭게 조정할 수 있다.
학습 단계에서는 정책 신경망이 트레이닝 데이터(오픈소스 레거시 프로젝트)에서 반복적으로 시뮬레이션을 수행하면서 최적 정책을 탐색한다. 탐색 전략으로는 ε‑greedy와 같은 탐험‑활용 균형 기법이 적용되며, 경험 재플레이와 목표 네트워크를 도입해 학습 안정성을 높였다. 결과적으로 Rake는 사전 정의된 서비스 수 없이도 자동으로 적절한 서비스 개수를 도출한다는 점에서 기존 기법과 차별화된다.
실험은 네 개의 실제 레거시 시스템(예: 전자상거래, 은행, 의료 기록 관리 등)에 대해 수행되었으며, 비교 대상은 대표적인 클러스터링 기반 방법과 규칙 기반 분해 도구이다. 정량적 평가는 모듈화 품질을 나타내는 MoJoFM, Bunch, 그리고 비즈니스 정렬을 측정하는 BCA(Business Capability Alignment) 지표를 사용했다. Rake는 평균 7‑14% 높은 MoJoFM 점수와 18‑22% 향상된 BCA 점수를 기록했으며, 특히 높은 결합도를 가진 시스템에서 비즈니스 중심만을 최적화할 경우 모듈화 품질이 급격히 떨어지는 현상을 관찰했다. 이는 목표 함수를 균형 있게 설계해야 함을 실증적으로 보여준다.
한계점으로는 강화학습 과정에서 요구되는 연산 비용이 비교 대상에 비해 상대적으로 높으며, 초기 상태 설계와 보상 가중치 선택이 결과에 민감하게 작용한다는 점을 들 수 있다. 또한, 현재 구현은 정적 코드와 문서만을 활용하므로 런타임 동적 호출 정보나 운영 로그와 같은 추가적인 실행 시점 데이터는 반영되지 않는다. 향후 연구에서는 멀티‑모달 데이터(예: 로그, 트레이스)와 메타‑강화학습을 결합해 다양한 도메인에 대한 일반화 능력을 강화하고, 학습 효율성을 높이기 위한 샘플 효율적 RL 알고리즘을 탐색할 필요가 있다.
요약하면, Rake는 서비스 경계 정의 문제에 딥 강화학습을 적용함으로써 문서·코드만으로도 자동화된, 목표 지향적인 서비스 분해를 가능하게 한 획기적인 접근이다. 이는 레거시 시스템 현대화 프로젝트에서 인력·문서 의존성을 크게 낮추고, 비즈니스와 기술 관점 모두를 만족시키는 아키텍처 설계에 기여할 것으로 기대된다.