오픈소스 커밋 크기 분포 모델

초록

본 논문은 오픈소스 프로젝트의 커밋(코드 기여) 크기를 통계적으로 분석하여, 커밋 크기 분포를 설명하는 확률 모델을 제시한다. 대규모 데이터셋을 기반으로 여러 후보 분포를 비교·검증한 결과, 특정 파라미터를 갖는 Weibull(와이블) 분포가 가장 높은 적합도를 보였으며, 프로젝트 규모에 관계없이 동일한 모델이 적용 가능함을 확인하였다. 이 모델은 개발 도구 설계와 소프트웨어 공학 연구에 유용한 정량적 근거를 제공한다.

상세 분석

논문은 먼저 “커밋 크기”를 정의한다. 여기서는 한 커밋에 포함된 추가된 라인 수와 삭제된 라인 수의 합을 사용했으며, 중복된 라인이나 주석은 별도로 처리하지 않았다. 데이터는 2005년부터 2010년까지 공개된 30개의 오픈소스 프로젝트(총 11 백만 건 이상의 커밋)에서 추출했으며, 각 프로젝트는 규모(개발자 수, 코드 베이스 크기)와 도메인(시스템, 라이브러리, 툴)별로 균등하게 샘플링하였다.

수집된 커밋 크기 데이터는 오른쪽으로 긴 꼬리를 가진 비대칭 형태를 보였고, 이를 설명하기 위해 후보 분포로는 지수분포, 로그정규분포, 파레토분포, Weibull분포, 그리고 Generalized Pareto 분포 등을 고려했다. 각 후보는 최대우도추정(MLE)으로 파라미터를 추정한 뒤, Kolmogorov‑Smirnov(KS) 검정, Anderson‑Darling 검정, 그리고 χ² 적합도 검정을 수행하였다.

결과적으로 Weibull 분포(형태 파라미터 k≈0.7, 규모 파라미터 λ≈15)가 가장 낮은 KS 통계량과 높은 p‑값을 기록했으며, 로그정규와 파레토보다 전체 데이터 구간에서 일관된 적합성을 보였다. 특히 프로젝트 규모가 작을수록(개발자 ≤5명)와 클수록(개발자 ≥50명) 모두 Weibull 파라미터가 크게 변동하지 않아, “규모 불변성”을 확인할 수 있었다.

또한, 커밋 크기의 시간적 변화를 분석했을 때, 프로젝트 초기 단계에서는 평균 커밋 크기가 다소 큰 편이었으나, 시간이 흐를수록 평균이 감소하고 분포의 꼬리가 얇아지는 경향을 보였다. 이는 개발 프로세스가 성숙해짐에 따라 작은 단위의 변경이 선호된다는 실무적 해석을 가능하게 한다.

논문은 이러한 모델이 코드 리뷰 자동화, 버그 예측, 그리고 작업 부하 예측 등에 활용될 수 있음을 제시한다. 예를 들어, 커밋 크기가 평균보다 크게 벗어나는 경우(예: 95번째 백분위수 초과) 위험도가 높아 사전 검토를 강화하도록 정책을 설계할 수 있다.

위험 요인으로는 라인 기반 크기 정의가 실제 작업량을 완전히 반영하지 못한다는 점, 그리고 특정 언어·프레임워크에 특화된 프로젝트가 포함되지 않았을 가능성 등을 들었다. 그러나 저자들은 다양한 프로젝트와 장기간 데이터를 사용했기 때문에 결과의 일반화 가능성이 높다고 주장한다.