[논문 리뷰] Machine Learning for Software Engineering: A Systematic Mapping

Saad Shafiq, Atif Mashkoor외 2명|arXiv (Cornell University)|2020. 05. 27.

Software Engineering Research참고 문헌 169인용 수 8

한 줄 요약

이 체계적 매핑 연구는 소프트웨어 공학(SE) 생애주기 단계에 걸쳐 기계학습(ML) 응용을 분류하기 위해 227篇의 논문을 분석하며, MLSE 분류 체계를 제안한다. 이 연구는 요구사항 공학, 테스팅, 결함 예측과 같은 SE 작업에 적용 가능한 핵심 ML 기법을 규명하고, 향후 연구를 위한 미개척 분야를 밝힌다.

ABSTRACT

Context: The software development industry is rapidly adopting machine learning for transitioning modern day software systems towards highly intelligent and self-learning systems. However, the full potential of machine learning for improving the software engineering life cycle itself is yet to be discovered, i.e., up to what extent machine learning can help reducing the effort/complexity of software engineering and improving the quality of resulting software systems. To date, no comprehensive study exists that explores the current state-of-the-art on the adoption of machine learning across software engineering life cycle stages. Objective: This article addresses the aforementioned problem and aims to present a state-of-the-art on the growing number of uses of machine learning in software engineering. Method: We conduct a systematic mapping study on applications of machine learning to software engineering following the standard guidelines and principles of empirical software engineering. Results: This study introduces a machine learning for software engineering (MLSE) taxonomy classifying the state-of-the-art machine learning techniques according to their applicability to various software engineering life cycle stages. Overall, 227 articles were rigorously selected and analyzed as a result of this study. Conclusion: From the selected articles, we explore a variety of aspects that should be helpful to academics and practitioners alike in understanding the potential of adopting machine learning techniques during software engineering projects.

연구 동기 및 목표

• 소프트웨어 공학(SE) 생애주기 단계에서 기계학습(ML) 응용에 대한 종합적인 개요가 부족한 문제를 해결하기 위해.
• 요구사항 분석, 결함 예측, 테스트 자동화와 같은 특정 SE 작업에 가장 효과적인 ML 기법을 규명하기 위해.
• 특정 SE 단계(예: 요구사항, 설계, 테스팅)에 적용 가능한 ML 기법을 기반으로 구조화된 분류 체계를 통해 현재의 최신 기술 상태를 분류하고 정리하기 위해.
• 미개척 분야와 유망한 응용 영역을 부각시켜 연구자와 실무자에게 방향을 제시하기 위해.
• SE 단계 전반에 걸친 ML 연구 분포를 매핑하여 향후 실증 연구의 기초를 마련하기 위해.

제안 방법

• 실증 소프트웨어 공학 지침을 따르는 체계적 매핑 연구를 수행함.
• 사전 정의된 키워드와 포함/배제 기준을 사용하여 학술 데이터베이스를 다단계로 검색함.
• SE 생애주기 단계에서의 ML 적용과의 관련성에 기반해 227편의 관련 논문을 선별하기 위해 철저한 선별 절차를 적용함.
• 특정 SE 단계(예: 요구사항, 설계, 테스팅)에 적용 가능한 ML 기법을 분류하기 위해 분류 체계를 개발함.
• 주제적 및 정량적 분석을 통해 ML 기법이 SE 활동 전반에 어떻게 분포되어 있는지 매핑함.
• 메서드적 엄밀성을 확보하기 위해 저자 간 반복 검토 및 공감대 형성으로 결과를 검증함.

실험 결과

연구 질문

• RQ1 기계학습 기법이 가장 자주 적용되는 소프트웨어 공학 생애주기 단계는 무엇인가?
• RQ2 SE에서 주로 사용되는 기계학습 기법의 유형은 무엇이며, 이러한 기법들은 다양한 SE 단계에서 어떻게 적용되는가?
• RQ3 요구사항, 테스팅, 유지보수와 같은 다양한 SE 활동에서 ML 도입의 연구 분포는 어떻게 분포되어 있는가?
• RQ4 SE에서 기계학습이 주로 다루는 문제 영역은 무엇이며, 어떤 영역은 미개척되어 있는가?
• RQ5 현재의 연구 추세를 바탕으로 기계학습을 SE 프로세스에 통합하는 데 있어 핵심 과제와 기회는 무엇인가?

주요 결과

• SE에서 기계학습 응용의 대부분은 테스팅, 결함 예측, 요구사항 공학에 집중되어 있으며, 자동화된 테스트 케이스 생성과 결함 예측 분야에서 급격한 성장세를 보이고 있다.
• 지지 벡터 기반 기계학습(SVM), 랜덤 포레스트, 신경망과 같은 지도 학습 기법이 SE 응용에서 가장 널리 사용되는 ML 방법이다.
• 코드 클론 탐지, 취약성 예측, 노력 추정과 같은 연구가 다수 존재하여 품질 향상과 비용 효율성 향상에 대한 강한 관심을 보이고 있다.
• 체계적 매핑 분석을 통해 유지보수 및 아키텍처 설계 분야는 ML 적용 측면에서 다소 미개척되어 있음을 규명하였으며, 이는 향후 연구 잠재력이 매우 높음을 시사한다.
• 딥 러닝을 활용한 복잡한 작업, 예를 들어 코드 유사도 검출 및 악용 가능성 예측 분야에서 점점 증가하는 추세를 확인하였다.
• 제안된 MLSE 분류 체계는 기존 연구를 효과적으로 정리하고, 향후 SE를 위한 기계학습 연구에 체계적인 기반을 제공한다.