DMARF와 GIPSY 리팩터링 연구

초록

본 보고서는 DMARF와 GIPSY 두 시스템의 기존 아키텍처를 분석하고, 코드 스멜 및 설계 패턴을 식별한 뒤 JDeodorant와 SonarQube를 활용해 리팩터링 방안을 제시한다. 리팩터링 적용 후 테스트를 통해 외부 행위가 유지되는지를 검증한다.

상세 분석

본 논문은 두 개의 복합 소프트웨어 프로젝트, 즉 Distributed Modular Audio Recognition Framework(DMARF)와 General Intensional Programming System(GIPSY)를 대상으로 아키텍처 수준의 정량·정성 분석을 수행한다. 먼저 각 시스템의 핵심 모듈—DMARF에서는 프리프로세싱, 피처 추출, 분류기, 분산 파이프라인이, GIPSY에서는 GIPC, GEE, RIPE, Demand Store 등이 상세히 도출된다. 이를 바탕으로 개념 모델을 재구성하고, 원본 UML 다이어그램과 비교해 누락·중복된 관계를 식별한다. 코드 스멜 탐지는 SonarQube와 JDeodorant를 병행 사용했으며, 특히 “God Class”, “Long Method”, “Feature Envy”, “Data Clump”와 같은 전형적인 안티패턴이 다수 발견되었다. DMARF에서는 프리프로세싱 단계의 클래스가 과도한 책임을 지고 있었고, GIPSY에서는 Demand Dispatcher가 여러 모듈에 직접 접근하는 구조가 결합도를 높였다. 설계 패턴 분석 결과, DMARF는 Strategy와 Factory 패턴을 활용해 알고리즘 교체를 지원하고 있었으며, GIPSY는 Observer와 Proxy 패턴을 통해 분산 요구사항을 관리하고 있었다. 그러나 이러한 패턴이 일관되게 적용되지 않아 중복 구현이 발생했다. 논문은 각 스멜에 대응하는 구체적 리팩터링 절차를 제시한다. 예를 들어, God Class는 Extract Class와 Move Method를 통해 책임을 분리하고, Long Method는 Extract Method와 Inline Variable를 적용한다. 또한, 데이터 클럼을 제거하기 위해 Introduce Parameter Object를 사용하고, Feature Envy는 Move Method로 해결한다. 리팩터링 후에는 JUnit 기반 회귀 테스트와 성능 벤치마크를 수행해 기능적 일관성과 실행 효율성을 검증한다. 최종적으로, 제안된 리팩터링이 시스템의 유지보수성을 크게 향상시키고, 향후 확장성을 위한 기반을 마련함을 실험 결과로 입증한다.