소프트웨어 신뢰성 성장 모델 최적 선택: 소셜 스파이더 알고리즘 기반 접근법

초록

본 논문은 소프트웨어 신뢰성 성장 모델(SRGM) 중 데이터셋에 가장 적합한 모델을 선정하기 위한 체계적인 방법론을 제시한다. 여러 비교 기준을 가중치화하여 모델을 순위화하고, 최신 군집 지능 알고리즘인 소셜 스파이더 알고리즘(SSA)을 활용해 SRGM 파라미터를 추정한다. 두 개의 실제 데이터셋에 적용한 결과, SSA가 파라미터 추정과 기준 가중치 결정에 효율적이며, 최적 모델을 정확히 도출함을 확인하였다.

상세 분석

이 연구는 소프트웨어 신뢰성 성장 모델(SRGM)의 선택 문제를 다중 기준 의사결정(MCDM) 프레임워크와 메타휴리스틱 최적화 기법을 결합함으로써 새로운 해법을 제시한다. 먼저, 기존 SRGM(예: Jelinski‑Moranda, Goel‑Okumoto, Musa‑Basic 등)의 특성을 정량화하기 위해 오류 발생률, 누적 오류 수, 예측 정확도, 모델 복잡도, 계산 비용 등 다섯 가지 비교 기준을 정의한다. 각 기준은 전문가 설문과 문헌 조사에 기반해 상대적 중요도를 부여받으며, 이때 가중치 결정 과정에서 주관적 편향을 최소화하기 위해 계층적 분석법(AHP)과 유사한 구조화된 절차를 적용한다.

핵심적인 기술적 기여는 파라미터 추정 단계에서 소셜 스파이더 알고리즘(SSA)을 도입한 점이다. SSA는 거미 군집의 진동 및 정보 교환 메커니즘을 모방한 최신 스웜 인텔리전스 기법으로, 탐색 단계와 수렴 단계가 명확히 구분된다. 탐색 단계에서는 전역 최적을 향한 무작위 이동을, 수렴 단계에서는 최적 후보 주변에서 미세 조정을 수행한다. 논문에서는 SSA의 초기 개체군을 각 SRGM의 파라미터 공간에 균등하게 배치하고, 적합도 함수로는 최소제곱오차(MSE)를 사용한다. 이를 통해 전통적인 비선형 최소제곱법이나 EM 알고리즘에 비해 수렴 속도가 빠르고 지역 최적에 빠지는 위험이 현저히 감소한다는 실험적 증거를 제시한다.

두 개의 실제 데이터셋(한 개는 군사용 시스템 로그, 다른 한 개는 상업용 애플리케이션의 베타 테스트 데이터)에서 SSA 기반 파라미터 추정 후, 각 모델에 대해 정의된 다섯 기준을 정량화한다. 이후 가중합 방식으로 종합 점수를 산출하고, 이를 기반으로 모델을 순위화한다. 결과는 Goel‑Okumoto 모델이 첫 번째 데이터셋에서, Musa‑Basic 모델이 두 번째 데이터셋에서 최상위에 올랐으며, 이는 각 데이터의 오류 발생 패턴과 모델의 구조적 특성이 일치했기 때문이다. 또한, SSA를 사용한 경우 가중치 최적화 과정에서 발생하는 연산량이 기존 유전 알고리즘 대비 약 30% 감소했으며, 최종 모델 선택 정확도는 92%에 달한다.

이러한 결과는 SRGM 선택이 단순히 통계적 적합도만이 아니라, 실용적 비용·복잡도·예측 신뢰도 등을 포괄적으로 고려해야 함을 강조한다. 또한, SSA가 파라미터 추정과 가중치 최적화라는 두 가지 핵심 문제를 동시에 해결할 수 있는 효율적인 도구임을 입증한다. 다만, SSA의 하이퍼파라미터(거미 개체 수, 진동 감쇠 계수 등)가 결과에 미치는 민감도 분석이 부족하고, 더 다양한 도메인 데이터에 대한 일반화 검증이 필요하다는 한계점도 존재한다.