기술 부채 데이터셋

초록

본 논문은 Apache 재단의 33개 Java 오픈소스 프로젝트를 대상으로 SonarQube, Ptidej, Refactoring Miner, SZZ 알고리즘 등을 활용해 78 천 개 커밋의 기술 부채, 코드 스멜, 리팩터링, 결함 정보를 일괄 수집·정제한 데이터셋을 제공한다. 결과는 CSV와 SQLite 형태로 공개돼, 연구자들이 동일 프로젝트를 기반으로 비교·재현 연구를 수행할 수 있도록 한다.

상세 분석

이 연구는 기술 부채(Technical Debt) 연구의 재현성과 비교 가능성을 크게 향상시키는 인프라를 구축했다는 점에서 의미가 크다. 먼저 33개의 Apache 프로젝트를 선정했는데, 이들 모두 활발히 유지보수되고 풍부한 이슈 트래커(Jira)와 Git 히스토리를 보유하고 있어 데이터의 다양성과 신뢰성을 확보한다. 프로젝트별로 “별도 정의된 시간 프레임”을 설정하고, 각 프레임마다 SonarQube를 실행해 정적 분석 결과를 수집했으며, SonarQube가 제공하는 기술 부채(시간 기반)와 1.8 백만 개의 이슈를 정량화한다. 여기서 주목할 점은 SonarQube 외에도 Ptidej를 이용해 38 천 개의 코드 스멜을 별도로 탐지함으로써, SonarQube가 놓칠 수 있는 설계 수준의 결함을 보완했다는 것이다.

또한, Refactoring Miner를 적용해 57 천 개의 리팩터링 이벤트를 추출했는데, 이는 코드 변화와 기술 부채 감소/증가 사이의 인과관계를 연구하는 데 필수적인 메타데이터다. 결함 측면에서는 Jira 이슈와 커밋 로그를 매핑하고, SZZ 알고리즘을 통해 28 천 개의 결함 유발 및 수정 커밋을 식별했다. SZZ 적용 시, 다중 라인 변경, 병합 커밋, 그리고 자동 생성 커밋 등 복잡성을 고려한 전처리 과정을 기술했으며, 이는 기존 연구에서 흔히 발생하는 과대/과소 추정 문제를 완화한다.

데이터 수집 파이프라인은 전체 78 천 개 커밋에 대해 200일 이상 걸렸으며, 이는 대규모 정적 분석과 리팩터링 탐지, SZZ 실행이 얼마나 연산 집약적인 작업인지를 보여준다. 파이프라인은 Docker 기반의 격리 환경에서 각 도구를 순차적으로 실행하도록 설계돼, 재현성을 높이고 의존성 충돌을 방지한다. 최종 데이터는 프로젝트‑커밋‑이슈‑리팩터링‑결함이라는 6개의 주요 테이블로 구성된 SQLite DB와, 각 테이블을 CSV로 추출한 형태로 제공한다. 이는 SQL 기반 질의뿐 아니라, Pandas, R 등 다양한 분석 도구와의 연동을 용이하게 만든다.

이 데이터셋의 주요 활용 가능성은 다음과 같다. 첫째, 기술 부채와 결함 발생 간의 상관관계, 혹은 리팩터링이 부채 감소에 미치는 효과를 정량적으로 검증할 수 있다. 둘째, 머신러닝 기반 부채 예측 모델을 학습시키는 데 풍부한 라벨(결함, 리팩터링, 코드 스멜)과 시계열 정보를 제공한다. 셋째, 서로 다른 정적 분석 도구 간 결과 차이를 비교하거나, 새로운 코드 스멜 탐지 기법을 검증하는 벤치마크로 활용 가능하다. 넷째, 프로젝트 규모·활동도·커밋 빈도 등 메타데이터와 부채 지표를 결합해, 조직 차원의 기술 부채 관리 정책을 설계하는 데 실증적 근거를 제공한다.

하지만 몇 가지 제한점도 존재한다. SonarQube와 Ptidej는 각각 Java 8 이하의 구문에 최적화돼 있어, 최신 Java 17·21 기능을 사용하는 코드에서는 일부 이슈를 놓칠 수 있다. 또한, SZZ 알고리즘은 커밋 메시지와 이슈 연결에 의존하므로, 잘못된 라벨링이나 누락된 이슈가 있으면 결함 유발 커밋 식별이 부정확해질 위험이 있다. 데이터 수집 시점(2022년 기준) 이후의 커밋은 포함되지 않아, 최신 트렌드(예: 마이크로서비스 전환, CI/CD 자동화)와의 연계 분석에는 추가 업데이트가 필요하다. 마지막으로, 33개의 프로젝트가 모두 Apache 재단에 한정돼 있어, 기업 내부 프로젝트나 다른 언어(예: Python, JavaScript)와의 일반화에는 주의가 요구된다.

전반적으로 이 논문은 기술 부채 연구에 필요한 고품질, 고밀도, 다차원 데이터를 제공함으로써, 기존 연구의 재현성 문제를 크게 완화하고, 새로운 연구 질문을 탐색할 수 있는 기반을 마련했다. 향후 데이터셋을 지속적으로 업데이트하고, 다른 언어·플랫폼을 확대한다면, 소프트웨어 엔지니어링 전반에 걸친 부채 관리 연구의 표준 데이터베이스로 자리매김할 가능성이 크다.