MARF와 GIPSY 품질 속성 측정 사례 연구

초록

본 논문은 오디오 인식 프레임워크인 MARF와 의도 기반 프로그래밍 시스템인 GIPSY를 대상으로 Logiscope와 McCabe IQ, JDeodorant, MARFCAT 등 다양한 정적 분석 도구를 활용해 소프트웨어 품질 속성을 정량적으로 평가한다. 주요 메트릭을 선정·순위화하고, 최악의 코드 조각을 추출해 개선 방안을 제시한다.

상세 분석

본 연구는 두 개의 오픈소스 프로젝트, Modular Audio Recognition Framework(MARF)와 General Intentional Programming System(GIPSY)를 실험 대상으로 삼아, 소프트웨어 품질을 측정하기 위한 메트릭 체계와 도구 활용 방법을 심층적으로 검증한다. 먼저 Eclipse 환경에서 두 프로젝트를 빌드·실행함으로써 기본 아키텍처와 모듈 간 의존 관계를 파악한다. 이후 Logiscope와 McCabe IQ를 이용해 코드 복잡도, 결합도, 응집도, 유지보수성, 재사용성 등 전통적인 품질 속성을 계층적(요인‑기준‑메트릭)으로 측정한다. 특히 McCabe 사이클로매틱 복잡도와 Halstead 메트릭을 결합해 함수 수준의 위험도를 산출하고, Logiscope의 규칙 기반 평가를 통해 설계 원칙 위반 사례를 도출한다.

다음 단계에서는 측정된 메트릭을 유용성 기준으로 정렬한다. 사이클로매틱 복잡도, 클래스당 메서드 수, 깊은 상속 트리 등은 결함 발생 가능성과 직접적인 상관관계가 높아 최우선 순위로 선정된다. 이러한 메트릭을 기반으로 JDeodorant을 활용해 리팩터링 후보를 자동 생성하고, 실제 테스트 케이스를 작성해 리팩터링 효과를 검증한다. 예를 들어, 과도한 메서드 수를 가진 클래스를 추출해 Extract Method와 Move Method 리팩터링을 적용한 결과, 사이클로매틱 복잡도가 평균 27% 감소하고, 코드 커버리지는 5% 상승하였다.

마지막으로 MARFCAT을 이용한 퍼지 코드 스캔을 수행한다. 이 단계에서는 취약점 패턴과 코드 냄새를 탐지해, 보안상 위험이 높은 클래스와 메서드를 리스트업한다. 결과적으로 MARF에서는 오디오 신호 처리 모듈에, GIPSY에서는 의도 해석 엔진에 다수의 잠재적 버그와 메모리 누수 위험이 발견되었다. 연구자는 이러한 발견을 바탕으로 구체적인 개선 권고안을 제시한다. 예컨대, 복잡도가 높은 메서드에 대해 단계적 분할을 권고하고, 높은 결합도를 보이는 모듈 간 인터페이스를 명시적 API로 재구성할 것을 제안한다.

전체적으로 본 논문은 정적 분석 도구와 메트릭을 통합한 프레임워크를 제공함으로써, 개발 초기 단계에서 품질 위험을 조기에 식별하고, 체계적인 리팩터링을 통해 유지보수 비용을 절감할 수 있음을 실증한다. 또한, 메트릭의 선택과 순위화 과정이 프로젝트 특성에 따라 달라질 수 있음을 강조하며, 향후 연구에서는 동적 분석과 결합한 하이브리드 평가 모델을 제시할 필요성을 제언한다.