DMARF와 GIPSY 리팩터링 연구

초록

본 보고서는 자바 기반 오픈소스 시스템인 DMARF와 GIPSY의 아키텍처를 분석하고, 도메인 모델링, 디자인 패턴 식별, 코드 스멜 탐지 및 리팩터링 과정을 통해 두 시스템을 통합한 DoGRTA 개념을 제시한다.

상세 분석

본 논문은 두 개의 분산형 오픈소스 프레임워크, Distributed Modular Audio Recognition Framework(DMARF)와 General Intensional Programming System(GIPSY)의 구조적 특성을 심층적으로 파악한다. 먼저, DMARF는 모듈형 음성 인식 파이프라인을 클라이언트‑서버 형태로 구현했으며, 각 단계(프리프로세싱, 특징 추출, 분류)를 독립적인 서비스로 분리해 확장성을 확보한다. 반면 GIPSY는 다중 차원 의도적 프로그래밍 언어를 실행하기 위한 런타임으로, Demand‑Driven Execution Model을 채택해 요구 기반으로 태스크를 분산한다. 두 시스템 모두 Java RMI와 CORBA 등 원격 호출 메커니즘을 활용하지만, DMARF는 주로 데이터 흐름 중심, GIPSY는 제어 흐름 중심의 설계 철학을 가진다.

논문은 이해관계자를 식별하고, 각각의 도메인 모델을 UML 클래스 다이어그램과 시퀀스 다이어그램으로 정형화한다. 특히 DMARF의 FeatureExtraction, Classification, Storage 인터페이스와 GIPSY의 DemandGenerator, DemandWorker, TierManager 클래스 간의 연관성을 분석한다. 이를 바탕으로 두 시스템을 결합한 “DMARF over GIPSY Run‑time Architecture”(DoGRTA)라는 새로운 도메인 개념을 제시한다. DoGRTA는 GIPSY의 Demand‑Driven 스케줄러를 DMARF의 파이프라인 단계에 매핑함으로써, 음성 인식 작업을 동적으로 할당하고 부하를 균등하게 분산시킬 수 있다.

코드 수준에서는 실제 클래스 다이어그램을 추출해 핵심 클래스(예: MARF, GIPSYContext, GIPSYNode)를 선정하고, 디자인 패턴을 탐지한다. DMARF에서는 Factory, Strategy, Observer 패턴이, GIPSY에서는 Singleton, Proxy, Composite 패턴이 다수 발견되었다. 이러한 패턴은 시스템의 모듈화와 재사용성을 높이는 데 기여했지만, 일부 구현에서는 과도한 의존성이나 불필요한 추상화가 존재한다.

다음 단계로는 SonarQube, PMD, FindBugs 등 정적 분석 도구를 이용해 코드 스멜을 자동 탐지하였다. 주요 스멜은 “God Class”, “Long Method”, “Feature Envy”, “Duplicate Code” 등이며, 특히 MARF 클래스에 집중된 복합 책임과 GIPSYContext에 퍼진 중복 로직이 눈에 띄었다. 논문은 이러한 스멜을 리팩터링하기 위해 Extract Class, Extract Method, Move Method, Replace Conditional with Polymorphism 등의 기법을 적용하고, JUnit 기반 회귀 테스트를 통해 기능 변화를 검증하였다. 리팩터링 결과, 클래스당 평균 메서드 수가 27% 감소하고, 사이클 복잡도가 18% 낮아지는 등 정량적 개선 효과가 확인되었다.

전체적으로 본 연구는 두 시스템의 구조적 차이를 명확히 규정하고, 통합 아키텍처를 설계함으로써 분산 음성 인식 서비스의 확장성을 제시한다. 또한 디자인 패턴과 코드 스멜 분석을 통한 체계적인 리팩터링 프로세스는 OSS 프로젝트에서 품질 향상을 위한 실용적인 가이드라인을 제공한다.