• 한국정보처리학회:학술대회논문집
• /
• 한국정보처리학회 2020년도 추계학술발표대회
• /
• pp.866-869
• /
• 2020

소프트웨어 개발 환경이 빠르게 변화함에 따라 시스템의 복잡성이 증가하고 있다. 이에 따라 크고 작은 소프트웨어의 버그를 피할 수 없게 되며 이를 효율적으로 처리하기 위해 Bug report 를 사용한다. 하지만, Bug report 에서 개발자가 해당 Bug report 의 우선순위를 결정하는 과정은 노력과 비용 그리고 시간을 많이 소모하게 만든다. 따라서, 본 논문에서는 Bug report 내의 Stack trace 를 기반으로 Bug 의 우선순위를 자동적으로 추천하는 기법을 제안한다. 이를 위해 본 연구에서는 첫 번째로 Bug report 로부터 Stack trace 를 추출하였으며 Stack trace 의 3 가지 요소(Exception, Reason 그리고 Stack frame)에 TF-IDF, Word2Vec 그리고 Stack overflow 를 사용하여 특징 벡터를 정의하였다. 그리고 Bug 의 우선순위 추천 모델을 생성하기 위해 4 가지의 Classification 알고리즘을(Random Forest, Decision Tree, XGBoost, SVM)을 적용하였다. 평가에서는 266,292 개의 JDK library 의 Bug report 데이터를 수집하였고 그중 Stack trace 를 가진 Bug report 로부터 68%의 정확도를 산출하였다.

• 정보과학회 논문지
• /
• 제42권6호
• /
• pp.755-763
• /
• 2015

버그 정정 활동은 소프트웨어 개발과 유지보수 작업에서 많은 비중을 차지하므로, 버그 정정활동에 소요되는 시간을 미리 추정할 수 있다면 소프트웨어 프로젝트 작업 계획에 큰 도움이 될 것이다. 따라서 본 연구에서는 버그 리포트를 이용하여 버그 정정 시간을 추정하는 방법을 제안한다. 본 방법에서는 먼저, 버그 리포트가 제공하는 버그 메타 필드에 k-NN 방법을 적용하여 과거 버그 리포트들을 분류한다. 다음으로, 버그 리포트의 텍스트 정보를 활용하여 과거 버그와 새로운 버그 사이의 유사도를 계산하고, 유사한 버그의 정정 시간을 활용하여 새로운 버그의 정정 시간을 추정한다. 마지막으로, 오픈 소스 프로젝트에 본 방법을 적용한 실험을 통하여 효과적으로 버그 정정 시간을 추정한다는 것을 보인다.

• 전자공학회논문지
• /
• 제52권5호
• /
• pp.235-241
• /
• 2015

최근 사물인터넷과 관련된 연구와 산업이 급속히 발전하고 있다. 사물인터넷과 관련된 소프트웨어 개발 및 유지보수 활동에서 버그 정정은 큰 비중을 차지하는 활동이다. 본 논문에서는 사물인터넷과 관련된 버그를 정정하는데 소요되는 시간을 분석함으로써 버그 정정 시간에 영향을 미칠 수 있는 속성이 무엇인지 분석한다. 버그 리포트가 제공하는 속성 정보에 따라 k-NN 분류 방법을 사용하여 버그 리포트를 분류하고 유사한 속성을 가진 버그 리포트를 선별한다. 유사한 버그 리포트의 버그 정정 시간을 계산하여 새로운 버그의 정정 시간을 예측한다. 예측 정확도에 따라 버그 정정 시간에 영향을 미치는 속성 중 운영체제(os), 컴포넌트, 리포터, 할당자(assignee) 속성을 사용했을 때 버그 정정 시간 예측에 가장 좋은 정확도를 나타냈다.

• 정보처리학회논문지:소프트웨어 및 데이터공학
• /
• 제3권12호
• /
• pp.511-522
• /
• 2014

소프트웨어 개발 및 유지보수 과정에서 여러 종류의 버그가 발생된다. 버그는 소프트웨어의 개발 및 유지 보수 시간을 증가시키는 주요원인으로 소프트웨어의 품질 저하를 초래한다. 버그의 발생을 사전에 완벽하게 방지하는 것은 불가능하다. 대신 버그 질라(Bugzilla), 멘티스BT(MantisGBT), 트랙 (Trac), 질라 (JIRA)와 같은 버그 트래킹 시스템을 이용하여 버그를 효과적으로 관리하는 것이 가능하다. 개발자 또는 사용자가 발생된 버그를 버그 트래킹 시스템에 보고하면, 프로젝트 매니저에 의해서 보고된 버그는 버그 해결에 적합한 개발자에게 전달되어 해결될 때까지 버그 트래킹 시스템에 의해서 추척된다. 여기서 프로젝트 매니저가 버그 해결에 적합한 개발자를 선별하는 것을 버그 분류 작업 (Bug triaging)이라고 하며, 대량으로 발생되는 버그 리포트들을 수동으로 분류하는 것은 프로젝트 매니저에게 있어서 매우 어려운 문제가 된다. 본 논문에서는 버그 트래킹 시스템에 저장된 과거에 해결된 버그 리포트에서 개발자 별 버그 해결 유형을 추출하고, 이를 활용한 버그 분류 작업, 즉 개발자 추천 방법을 제안한다. 먼저 버그 트래킹 시스템에서 각 개발자가 해결한 버그 리포트들을 분류한 후, 자연 언어 처리 알고리즘과 TF-IDF (Term frequency-Inverse document frequency)를 활용하여 각 개발자 별 단어 리스트를 생성한다. 그 후, 새로운 버그가 발생되었을 때 코사인 유사도를 통해서 생성된 개발자 별 단어 리스트와 새로운 버그 리포트의 단어 리스트를 비교하여 가장 유사한 단어 리스트를 가지는 개발자를 추천하는 방법이다. 두 오픈 소스 프로젝트인 이클립스 JDT.UI와 CDT.CORE를 대상으로 수행한 개발자 추천 실험에서 기계 학습 모델 기반의 추천 방법보다 제안하는 방법이 더 우수한 결과를 얻은 것을 확인하였다.

• 스마트미디어저널
• /
• 제10권2호
• /
• pp.76-83
• /
• 2021

스마트폰과 태블릿과 같은 스마트 기기의 발달과 사용이 증가함에 따라, 모바일 기기를 기반으로 한 모바일 어플리케이션 시장이 급속도로 커지고 있다. 모바일 어플리케이션 사용자는 어플리케이션을 사용 경험을 공유하고자 리뷰를 남기는데, 이를 분석하면 소비자들의 다양한 니즈를 파악할 수 있고 어플리케이션 개발자들은 소비자들이 작성한 리뷰를 통해 애플리케이션의 개선을 위한 유용한 피드백을 받을 수 있다. 그러나 소비자들의 남기는 많은 양의 리뷰를 수작업으로 분석하기 위해서는 많은 시간과 비용을 지불해야하기 때문에 이를 최소화 할 방안을 마련할 필요성이 존재한다. 이에 본 연구에서는 구글 플레이스토어(Google PlayStore)의 배달 어플리케이션 사용자 리뷰를 수집한 후 머신러닝과 딥러닝 기법을 활용하여 어플리케이션 기능 장점, 단점, 기능 개선 요청, 버그 보고의 4가지 범주로 분류하는 방법을 제안한다. 연구 결과, Hugging Face의 pretrain된 BERT기반 Transformer모델의 성능의 경우 위의 4개의 범주에 대한 f1 score값은 차례대로 0.93, 0.51, 0.76, 0.83으로 LSTM, GRU보다 뛰어난 성능을 보인 것을 확인할 수 있었다.