소프트웨어 품질 추정 모델 도출 절차에 대한 실증 연구

초록

본 논문은 소프트웨어 품질에 영향을 미치는 요인을 규명하고, 초기 단계에서 정확한 품질 추정을 가능하게 하는 일반적인 모델 도출 절차를 제시한다. 통계적 기법과 머신러닝을 결합해 메트릭의 유효성을 검증하고, 신경‑퍼지(NF) 접근법을 적용해 모델 정확도를 향상시켰다. ISBSG 데이터베이스를 활용한 실증 분석을 통해 제안 절차의 실용성을 입증하였다.

상세 분석

이 연구는 소프트웨어 품질 추정 모델을 체계적으로 구축하기 위한 5단계 절차를 제안한다. 첫 번째 단계는 목표 정의와 품질 특성(예: 결함 밀도, 유지보수 비용) 설정이며, 이를 통해 모델이 해결해야 할 구체적 문제를 명확히 한다. 두 번째 단계는 데이터 수집으로, ISBSG(International Software Benchmarking Standards Group) 저장소에서 프로젝트 규모, 개발 언어, 인력 구성, 사용된 프로세스 등 다양한 메트릭을 추출한다. 데이터 전처리 과정에서는 결측치 처리, 이상치 제거, 정규화 등을 수행해 분석의 신뢰성을 확보한다.

세 번째 단계에서는 변수 선택과 가설 검증을 위해 상관 분석, 다중공선성 진단, 그리고 단계별 회귀 분석(stepwise regression)을 적용한다. 이 과정에서 통계적 유의성을 가진 독립 변수들을 선별하고, 변수 간 상호작용 효과를 탐색한다. 네 번째 단계는 모델 구축으로, 전통적인 선형 회귀 외에도 의사결정 트리, 서포트 벡터 머신, 인공신경망 등 여러 머신러닝 알고리즘을 실험한다. 각 알고리즘은 교차 검증(k‑fold)과 RMSE, MAE, R²와 같은 성능 지표를 통해 비교 평가된다.

특히, 신경‑퍼지(NF) 시스템을 도입한 점이 주목할 만하다. NF는 퍼지 논리 기반의 규칙 집합을 신경망 구조와 결합해 비선형 관계를 효과적으로 모델링한다. 학습 단계에서는 역전파와 퍼지 규칙 최적화를 동시에 수행해, 기존 회귀 모델보다 예측 오차를 평균 12 % 이상 감소시켰다.

마지막 단계는 모델 검증 및 적용이다. 제안된 절차를 실제 프로젝트에 적용해 예측된 품질 지표와 실제 결과를 비교함으로써, 모델의 일반화 가능성을 평가한다. 실험 결과, 제안 모델은 기존 베이스라인 대비 높은 정확도와 안정성을 보였으며, 특히 초기 요구 정의 단계에서의 품질 추정에 유용함을 확인했다.

이 논문의 주요 기여는 (1) 소프트웨어 품질 추정을 위한 전반적인 절차를 체계화한 점, (2) 통계적 검증과 머신러닝을 결합해 메트릭의 설명력을 강화한 점, (3) 신경‑퍼지 기법을 통해 비선형 복합 요인을 효과적으로 포착한 점이다. 한편, 데이터가 ISBSG에 국한되어 있어 산업 분야별 특수성을 완전히 반영하지 못한다는 제한점이 존재한다. 향후 연구에서는 다양한 도메인 데이터와 실시간 프로젝트 환경을 포함해 모델의 확장성을 검증할 필요가 있다.