GIPSY와 MARF 사례 연구: 메트릭 기반 소프트웨어 품질 분석

초록

본 논문은 오픈소스 프로젝트인 MARF와 GIPSY에 대해 JDeodrant, LOGISCOPE, McCabe 등 세 가지 정적 분석 도구를 활용하여 코드 복잡도, 결함 가능성, 유지보수성을 측정한다. Kiviat 그래프와 평균 사이클로매틱 복잡도를 기준으로 문제 클래스를 도출하고, 우선순위가 높은 메트릭을 재평가하여 두 시스템의 품질 특성을 비교·분석한다.

상세 분석

본 연구는 두 개의 대표적인 오픈소스 시스템, 즉 음성·패턴 인식 프레임워크인 MARF와 의도 기반 프로그래밍 플랫폼인 GIPSY를 대상으로 정적 코드 메트릭을 정량적으로 평가한다. 분석에 사용된 도구는 JDeodrant, LOGISCOPE, McCabe이며, 각각은 코드 구조, 복잡도, 결함 예측에 특화된 메트릭을 제공한다. JDeodrant는 클래스·메서드 수준에서 결합도(Coupling), 응집도(Cohesion), 라인 수 등을 측정하고, LOGISCOPE는 코드 품질 규칙 위반을 탐지한다. McCabe는 전통적인 사이클로매틱 복잡도(Cyclomatic Complexity)를 계산하여 테스트 필요성을 추정한다.

연구 절차는 먼저 각 프로젝트의 최신 소스코드를 수집하고, 동일한 빌드 환경에서 세 도구를 실행해 메트릭 데이터를 추출한다. 추출된 데이터는 CSV 형태로 정리한 뒤, Kiviat(레이다) 그래프를 이용해 다차원 메트릭을 시각화한다. Kiviat 그래프는 각 클래스가 여러 메트릭 축에 대해 얼마나 균형 있게 설계되었는지를 한눈에 보여주며, 특히 복잡도와 결합도가 동시에 높은 ‘핫스팟’ 클래스를 식별하는 데 유용하다.

다음 단계에서는 평균 사이클로매틱 복잡도(CM)와 최대 복잡도 값을 기준으로 문제 클래스를 선정한다. 선정 기준은 CM > 10(일반적인 임계값) 또는 특정 메트릭이 전체 평균보다 2표준편차 이상 초과하는 경우이다. 이렇게 도출된 클래스에 대해 JDeodrant가 제공하는 우선순위 메트릭(예: Weighted Methods per Class, Lack of Cohesion of Methods 등)을 재계산하고, 우선순위가 높은 항목을 중심으로 리팩터링 방안을 제시한다.

분석 결과, MARF는 전반적으로 낮은 복잡도와 높은 응집도를 보였으나, 음성 전처리 모듈과 특정 신경망 구현 클래스에서 결합도가 급증하는 현상이 발견되었다. 반면 GIPSY는 의도 해석 엔진과 분산 실행 관리 모듈에서 평균 사이클로매틱 복잡도가 15를 초과하고, 클래스당 메서드 수가 과도하게 많아 유지보수 비용이 크게 증가할 가능성이 제시되었다. 특히 GIPSY의 ‘DemandGenerator’와 ‘GEERGenerator’ 클래스는 Kiviat 그래프에서 대부분의 축을 크게 벗어나 ‘스파이크’ 형태를 띠어, 구조적 재설계가 시급함을 시사한다.

또한, LOGISCOPE가 탐지한 코드 규칙 위반(예: 무조건적인 예외 처리, 하드코딩된 상수)과 McCabe가 보고한 복잡도 상승이 상관관계를 보이며, 복합적인 메트릭이 결함 발생 가능성을 더 정확히 예측한다는 점을 확인하였다. 이러한 결과는 단일 메트릭에 의존하는 전통적 품질 평가보다 다중 메트릭 기반 접근이 보다 신뢰성 있는 소프트웨어 품질 판단을 가능하게 함을 시사한다.

마지막으로, 연구자는 도출된 우선순위 메트릭을 기반으로 리팩터링 로드맵을 제시한다. MARF의 경우 결합도 감소를 위해 인터페이스 추출과 의존성 주입(DI) 패턴 적용을 권고하고, GIPSY는 복잡도 높은 모듈을 서브시스템으로 분리하고, 핵심 로직을 작은 메서드로 분해하는 전략을 제안한다. 이러한 전략은 향후 유지보수 비용 절감과 테스트 효율성 향상에 직접적인 영향을 미칠 것으로 기대된다.