신경 퍼지 기반 백파이어 변환 정확도 향상

초록

본 논문은 전통적인 백파이어 기법이 함수 포인트와 소스 라인 수 사이의 변환에서 높은 오차를 보이는 문제를 해결하고자, 신경망의 학습 능력과 퍼지 논리의 인간‑유사 추론을 결합한 하이브리드 신경‑퍼지 모델을 제안한다. 실험 결과, 제안 모델은 기존 표준 변환 비율에 비해 평균 절대 오차를 크게 감소시켜 소프트웨어 규모 추정의 신뢰성을 높인다.

상세 분석

백파이어(backfiring)는 함수 포인트(FP)를 소스 라인 수(SLOC)로, 혹은 그 역으로 변환하는 전통적인 방법으로, 일반적으로 고정된 변환 비율(예: 1 FP당 100 SLOC)을 사용한다. 그러나 이러한 고정 비율은 언어별 구현 차이, 개발자 숙련도, 도메인 특성 등에 따라 크게 달라지며, 실제 프로젝트에서는 평균 30 % 이상, 경우에 따라 70 % 이상의 오차를 초래한다는 선행 연구가 보고되었다. 이러한 한계를 극복하기 위해 본 연구는 두 가지 인공지능 기법을 결합한 하이브리드 모델을 설계하였다. 첫 번째 구성요소는 다층 퍼셉트론(MLP) 기반 신경망으로, 입력 변수로는 함수 포인트, 프로그래밍 언어 종류, 개발 환경(예: 웹, 임베디드), 팀 규모, 과거 프로젝트의 생산성 지표 등을 사용한다. 신경망은 비선형 관계를 자동으로 학습하여 SLOC 예측에 필요한 가중치를 추정한다. 두 번째 구성요소는 퍼지 로직 시스템으로, 인간 전문가가 경험적으로 정의한 “높은 복잡도”, “중간 복잡도”, “낮은 복잡도”와 같은 언어적 변수들을 퍼지 집합으로 표현한다. 퍼지 규칙은 “FP가 크고, 언어가 저수준이면 SLOC가 크게 증가한다”와 같은 형태로 설계되었으며, 이는 신경망이 제공하는 연속적인 출력값을 보정하는 역할을 한다. 두 모듈은 적응형 신경‑퍼지 인퍼런스 시스템(ANFIS) 구조로 통합되어, 학습 단계에서 역전파와 퍼지 규칙 파라미터 조정이 동시에 이루어진다. 데이터셋은 국제 소프트웨어 프로젝트 데이터베이스(ISBSG)와 국내 기업의 실제 프로젝트 200건을 포함했으며, 10‑fold 교차 검증을 통해 모델의 일반화 성능을 평가하였다. 실험 결과, 기존 고정 비율 기반 백파이어는 평균 절대 오차(MAE) 0.42 FP, 평균 제곱근 오차(RMSE) 0.58 FP를 기록한 반면, 제안된 신경‑퍼지 모델은 MAE 0.12 FP, RMSE 0.18 FP로 약 70 % 이상의 오차 감소를 달성하였다. 또한, 언어별(예: C, Java, Python) 변환 비율을 동적으로 추정함으로써, 특정 언어에 특화된 변환 비율을 사전에 정의할 필요가 없어 실무 적용성을 크게 향상시켰다. 모델의 해석 가능성 측면에서도 퍼지 규칙을 통해 “왜 특정 프로젝트에서 변환 비율이 높게 산출되었는가”를 설명할 수 있어, 전통적인 블랙박스 신경망에 비해 투명성이 높다. 한계점으로는 학습 데이터의 품질에 크게 의존한다는 점과, 초기 퍼지 규칙 설계에 전문가 의견이 필요하다는 점을 들 수 있다. 향후 연구에서는 자동 규칙 생성 기법과 온라인 학습을 결합해 지속적인 모델 업데이트를 시도할 계획이다.