동시정정 테스트 케이스 탐지를 위한 커널 기반 방법으로 결함 위치 파악 효율성 향상

초록

본 논문은 스펙트럼 기반 결함 위치 파악(SBFL) 기법의 성능 저하 요인인 동시정정(coincidentally correct, CC) 테스트 케이스를 식별하기 위해 맞춤형 커널을 적용한 서포트 벡터 머신(SVM) 모델을 제안한다. 실행 경로를 문자열 시퀀스로 변환한 후, 새로운 시퀀스 매칭 알고리즘으로 패스와 실패 테스트 간 유사성을 측정하고 이를 커널 함수에 반영한다. 실험 결과, 제안 방법이 기존 SBFL 기법 대비 결함 위치 정확도를 현저히 향상시킴을 확인하였다.

상세 분석

이 연구는 SBFL 기법이 테스트 결과만을 기반으로 의심되는 코드 라인을 순위화하는 과정에서, 실제로는 정상적으로 통과했지만 결함이 포함된 구문을 실행하는 동시정정 테스트 케이스(CC)가 혼선을 야기한다는 점에 주목한다. 기존 연구들은 CC를 제거하거나 가중치를 조정하는 방식으로 접근했지만, 실행 흐름의 정교한 비교 없이 단순히 통과/실패 여부에만 의존하는 한계가 있었다. 논문은 이러한 문제를 해결하기 위해 두 단계의 핵심 기법을 도입한다. 첫 번째는 프로그램 실행을 ‘명령어 시퀀스’ 형태로 추출하고, 각 테스트 케이스의 시퀀스를 길이 가변 문자열로 표현하는 것이다. 여기서 제안된 시퀀스 매칭 알고리즘은 동적 프로그래밍 기반의 편집 거리와 유사도 점수를 결합해, 부분 일치와 순서 보존을 동시에 고려한다. 두 번째는 이 유사도 점수를 커널 함수에 직접 삽입한 맞춤형 SVM 커널을 설계하는 것이다. 일반적인 RBF 커널이 거리 기반 유사도만을 반영한다면, 제안 커널은 시퀀스 매칭 결과를 내재화함으로써 ‘패스 vs. 실패’ 실행 흐름의 구조적 차이를 학습한다. 학습 데이터는 명시적으로 라벨링된 패스와 실패 테스트 케이스이며, SVM은 CC 테스트를 ‘실패와 유사한 패스’로 구분하도록 최적화된다. 실험에서는 Defects4J와 같은 실세계 버그 데이터베이스를 활용해, 기존 SBFL 기법(예: Ochiai, Tarantula)과 비교했을 때 Top‑1, Top‑5 정확도가 평균 12%p 상승했으며, 특히 CC 비율이 높은 프로그램에서 개선 효과가 두드러졌다. 또한 커널 파라미터와 시퀀스 매칭 가중치를 민감도 분석한 결과, 적절한 정규화와 가중치 조정만으로도 과적합 없이 안정적인 성능을 유지함을 확인했다. 이처럼 실행 흐름의 미세한 차이를 정량화하고, 이를 머신러닝 모델에 효과적으로 통합한 접근은 SBFL의 한계점을 보완하고, 자동화된 디버깅 파이프라인에 실용적인 가치를 제공한다.