Git diff 알고리즘 비교 히스토그램이 더 나은 선택

초록

본 연구는 Git에서 제공하는 Myers와 Histogram 두 diff 알고리즘을 비교한다. 14개의 Java CI 프로젝트와 10개의 Apache 프로젝트를 대상으로 코드 churn, 버그 도입 탐지, 패치 품질을 분석한 결과, Histogram이 코드 변경을 더 정확히 포착하고, 특히 패치 생성 시 62.6%의 파일에서 Myers보다 우수함을 확인했다. 따라서 Git 리포지터리를 마이닝할 때 Histogram 사용을 권고한다.

상세 분석

Git은 기본적으로 Myers 알고리즘을 사용하지만, 2011년에 도입된 Histogram 알고리즘은 동일 파일 간의 LCS(Longest Common Subsequence) 계산 방식에 히스토그램 기반 최적화를 추가한다. 논문은 먼저 2013‑2017년 사이에 발표된 52편의 논문을 체계적으로 매핑하여, diff가 주로 코드 변경 추출, 메트릭 수집, 버그 도입 탐지(SZZ) 등에 활용된다는 사실을 확인했다. 이후 실증 연구로 세 가지 시나리오를 설계하였다. 첫째, 14개의 오픈소스 Java 프로젝트에서 CI 빌드 로그를 이용해 커밋당 추가·삭제 라인 수를 Myers와 Histogram으로 각각 측정했다. 결과는 파일당 추가 라인 차이가 0.8‑6.2%, 삭제 라인 차이가 1.4‑7.6%에 달했으며, 이는 전체 커밋 중 1.7‑8.2%가 알고리즘에 따라 다른 churn 값을 가짐을 의미한다. 둘째, 10개의 Apache 프로젝트에서 SZZ 기반 버그 도입 탐지를 수행했을 때, 버그 수정 커밋 중 6.0%와 13.3%가 알고리즘에 따라 서로 다른 버그 도입 라인을 식별했다. 이는 버그 예측 모델의 라벨링 정확도에 영향을 줄 수 있다. 셋째, 21,590개의 변경 중 무작위 표본 377개를 전문가가 직접 검토한 결과, 코드 수준에서 Histogram이 62.6%의 파일에서 더 의미 있는 hunks를 제공했으며, Myers는 16.9%에 불과했다. 비코드(주석·포맷) 변경에서는 두 알고리즘이 비슷한 품질을 보였다. 위 결과는 Histogram이 연속된 코드 블록을 더 잘 포착하고, 불필요한 작은 차이를 최소화함을 시사한다. 논문은 또한 실험 설계의 내부·외부 타당성 위협(예: 프로젝트 선택 편향, 수동 라벨링 오류)과 이를 완화하기 위한 조치를 논의한다. 최종적으로 저자들은 Git 기반 연구에서 기본 Myers 대신 Histogram을 채택할 것을 강력히 권고한다.