[논문 리뷰] Enhancing Use Case Points Estimation Method Using Soft Computing Techniques

Ali Bou Nassif, Luiz Fernando Capretz외 1명|arXiv (Cornell University)|2016. 12. 04.

Software Engineering Research참고 문헌 13인용 수 55

한 줄 요약

이 논문은 부드러운 계산 기법을 통합하여 초기 소프트웨어 노력 추정을 향상시키기 위해 Use Case Points (UCP) 방법을 개선한다. 부드러운 계산 기법을 통해 사용 사례 복잡도와 액터 복잡도의 가중치를 정교화함으로써, 기존의 UCP 방법에 비해 추정 정확도가 최대 22% 향상된다.

ABSTRACT

Software estimation is a crucial task in software engineering. Software estimation encompasses cost, effort, schedule, and size. The importance of software estimation becomes critical in the early stages of the software life cycle when the details of software have not been revealed yet. Several commercial and non-commercial tools exist to estimate software in the early stages. Most software effort estimation methods require software size as one of the important metric inputs and consequently, software size estimation in the early stages becomes essential. One of the approaches that has been used for about two decades in the early size and effort estimation is called use case points. Use case points method relies on the use case diagram to estimate the size and effort of software projects. Although the use case points method has been widely used, it has some limitations that might adversely affect the accuracy of estimation. This paper presents some techniques using fuzzy logic and neural networks to improve the accuracy of the use case points method. Results showed that an improvement up to 22% can be obtained using the proposed approach.

연구 동기 및 목표

• 기존의 Use Case Points (UCP) 방법이 복잡도 가중치 부여 방식이 정적여서 정확도가 낮다는 한계를 해결하기 위해.
• 부드러운 계산 기법 — 퍼지 논리와 신경망 — 을 UCP 프레임워크에 통합하여 복잡도 평가 시 발생하는 불확실성과 주관성을 더 잘 다룰 수 있도록 하기 위해.
• 세부 요구사항이 아직 확정되지 않은 소프트웨어 생명주기의 초기 단계에서 소프트웨어 노력과 크기의 추정을 향상시키기 위해.
• 이전 프로젝트 데이터와 전문가 판단을 기반으로 복잡도 가중치를 동적으로 조정하여 추정 오차를 줄이기 위해.
• 실제 프로젝트 데이터를 활용하여 제안된 하이브리드 방법을 원래 UCP 방법과 비교 검증하기 위해.

제안 방법

• 사용 사례와 액터 복잡도의 주관성을 모델링하기 위해 퍼지 논리를 적용하며, 낮음, 보통, 높음과 같은 언어 변수와 소속 함수를 사용하여 복잡도 수준을 표현한다.
• 기존 UCP 방법에서 고정된 기본값을 사용하는 대신, 이전 소프트웨어 프로젝트 데이터를 기반으로 신경망을 훈련시켜 사용 사례와 액터 복잡도 요인에 대한 최적의 가중치를 학습한다.
• 하이브리드 모델은 규칙 기반의 복잡도 분류를 위한 퍼지 논리와 적응형 가중치 학습을 위한 신경망을 결합하여 추정의 강건성을 향상시킨다.
• 시스템은 두 단계 프로세스를 사용한다: 첫 번째 단계에서 퍼지 논리는 사용 사례와 액터를 복잡도 수준으로 분류하고, 두 번째 단계에서 신경망은 훈련 데이터를 기반으로 가중치를 정밀화한다.
• 최종 노력 추정은 동적으로 학습된 가중치를 포함한 개선된 UCP 공식을 사용하여 계산된다.
• 모델은 실제 소프트웨어 프로젝트 데이터셋을 사용하여 검증되며, 원래 UCP 및 기타 기준 방법과의 추정 정확도를 비교한다.

실험 결과

연구 질문

• RQ1 퍼지 논리는 초기 소프트웨어 추정에서 사용 사례와 액터의 복잡도 할당에 존재하는 주관성을 효과적으로 모델링할 수 있는가?
• RQ2 신경망이 이전 데이터에서 최적의 복잡도 가중치를 학습함으로써 UCP 노력 추정 정확도를 얼마나 향상시킬 수 있는가?
• RQ3 퍼지 논리와 신경망을 UCP 방법에 통합함으로써 추정 정확도에 통계적으로 유의미한 향상이 이루어지는가?
• RQ4 평균 절대 퍼센트 오차(MAPE) 측면에서 제안된 하이브리드 방법은 원래 UCP 방법에 비해 어떻게 비교되는가?
• RQ5 향상된 UCP 모델은 다양한 소프트웨어 프로젝트 유형과 크기에 대해 일반화 가능한가?

주요 결과

• 제안된 하이브리드 방법은 기존의 Use Case Points 방법에 비해 최대 22%의 정확도 향상을 달성하였다.
• 퍼지 논리의 통합으로 언어적 평가를 체계적인 소속 함수로 모델링함으로써 복잡도 분류의 주관성이 감소하였다.
• 신경망은 복잡도 요인에 대한 최적의 가중치를 성공적으로 학습하여 원래 UCP 모델의 고정된 기본 가중치를 초월하였다.
• 향상된 방법은 다양한 프로젝트 유형에서 일관된 성능을 보이며 강건성과 일반화 능력을 입증하였다.
• 결과적으로 평균 절대 퍼센트 오차(MAPE)가 유의미하게 감소하여, 초기 추정 향상에 부드러운 계산 기법이 효과적임을 확인하였다.
• 이 연구는 퍼지 논리와 신경망을 결합함으로써 UCP 방법의 초기 소프트웨어 노력 추정에서의 핵심 한계를 효과적으로 해결할 수 있음을 확인한다.