동적·시맨틱 분석을 통한 기능‑코드 매핑

초록

본 논문은 실행 트레이스를 텍스트 코퍼스로 활용하고, 메서드 호출을 용어로 변환한 뒤 가중치 기반 필터링과 LDA 토픽 모델링을 결합해 기능(Feature)과 소스 코드 간의 관계를 자동 추출하는 방법을 제안한다. 실험을 통해 제안 기법이 기능 식별 및 코드 이해에 유용함을 확인하였다.

상세 분석

이 연구는 소프트웨어 유지보수 과정에서 “어떤 기능이 어디에 구현돼 있는가”라는 근본적인 질문에 답하기 위해 동적 분석과 시맨틱 분석을 융합한 새로운 파이프라인을 설계하였다. 첫 단계에서는 테스트 스위트 혹은 실제 운영 환경에서 수집한 실행 트레이스를 문서 집합으로 간주하고, 트레이스에 등장하는 메서드 호출을 단어(term)로 매핑한다. 이렇게 구성된 “트레이스‑문서”는 전통적인 정보 검색 기법을 적용할 수 있는 형태가 된다.

두 번째 단계에서는 모든 메서드 호출에 대해 빈도‑역문서 빈도(TF‑IDF)와 같은 가중치를 계산하고, 특정 임계값(threshold) 이상으로 등장하는 ‘전역적’ 메서드(예: 로깅, 유틸리티)를 필터링한다. 이 과정은 잡음(omnipresent methods)을 제거해 이후 토픽 모델링의 신호‑대‑노이즈 비를 크게 향상시킨다.

세 번째 단계는 핵심적인 혁신이다. 여기서는 남은 메서드 호출을 ‘특징‑트레이스(feature‑trace)’라는 1급 객체로 취급하고, 각 메서드의 소스 코드에서 식별자(identifier)들을 추출한다. 식별자는 변수명, 클래스명, 메서드명 등 개발자가 의미를 부여한 텍스트 요소이며, 이들을 행(특징‑트레이스)·열(식별자) 형태의 행렬에 배치한다. 즉, 트레이스‑식별자 매트릭스(trace‑by‑identifier matrix)를 만든 뒤, 잠재 디리클레 할당(Latent Dirichlet Allocation, LDA) 모델을 적용한다. LDA는 행렬을 확률적 토픽(주제)으로 분해하는데, 여기서 토픽은 곧 “기능”에 해당한다.

실험에서는 오픈소스 프로젝트를 대상으로 여러 개의 트레이스‑식별자 매트릭스를 구축하고, 각 매트릭스에 대해 LDA를 수행하였다. 결과적으로 동일한 기능에 속하는 메서드와 식별자들이 같은 토픽에 집중되는 현상이 관찰되었으며, 이를 통해 기능‑코드 매핑 관계를 정량적으로 도출할 수 있었다. 또한, 필터링 단계에서 설정한 임계값에 따라 토픽의 명료도가 크게 변함을 확인했으며, 적절한 값 선택이 실용적인 결과를 얻는 핵심 요소임을 강조한다.

이 접근법의 장점은 (1) 실행 기반 트레이스가 실제 사용 시나리오를 반영하므로, 정적 분석만으로는 포착하기 어려운 동적 의존성을 자연스럽게 포함한다; (2) 식별자 기반 시맨틱 정보를 활용해 코드의 의미적 구조를 보존한다; (3) LDA라는 확률적 모델을 통해 다중 기능이 얽힌 복합 메서드도 각각의 토픽에 할당될 가능성을 제공한다. 반면 한계점으로는 (가) 테스트 커버리지가 낮으면 트레이스가 편향될 위험, (나) LDA 파라미터(토픽 수, 하이퍼파라미터) 설정이 결과에 민감함, (다) 대규모 시스템에서는 트레이스‑식별자 매트릭스가 희소하고 메모리 요구량이 급증한다는 점을 들 수 있다. 향후 연구에서는 커버리지를 보완하기 위한 자동화된 입력 생성, 비지도 토픽 수 추정 기법, 그리고 희소 행렬 압축을 통한 스케일링 방안을 제시할 필요가 있다.

전반적으로 이 논문은 동적 실행 정보와 정적 시맨틱 정보를 결합함으로써 기능-코드 매핑을 자동화하는 새로운 패러다임을 제시하고, 실증적 사례를 통해 그 실효성을 입증하였다.