• 해당 논문은 2025 선진국방연구(JAMS) 에서 게재되었습니다.
머신러닝 기반의 소프트웨어 신뢰성 성장 모델 최적화
신명근1, 정주원2, 이지현3, 류인수4, 박상건5
모아소프트㈜
━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━
Key Words : software reliability, software reliability growth model, artificial intelligence optimization, machine learning
서론
현대 사회에서 소프트웨어 운영 중 불능(malfunction)이나 문제(trouble) 발생은 시스템의 성능과 안전성에 상당한 영향을 미치게 된다(Wang & Zhang, 2025). 그래서 제품의 신뢰성 평가는 제품을 시장 출시 전에 잠재적인 문제를 조기 감지하고 실제 조건에서 성능 작동을 확인하는 과정(Samal, 2024)으로 필수적이다. 또한, 기존 버전의 업그레이드 과정에서도 변동에 따른 결함 문제가 발생할 수 있어 소프트웨어 품질과 안정성 차원에서 소프트웨어 신뢰성이 중요하다(Chatterjee, Saha, &Sharma, 2021). 이런 소프트웨어 신뢰성 보증의 중요성은 민간 산업 뿐만 아니라 방위산업 무기체계 운용 차원에서 더욱 강조되고 있다.
최근 첨단 무기체계 획득요구와 상호운용성이 높아지면서 제품(무기체계)의 복잡성이 증대되고 있어 소프트웨어의 구현 비중이 증가하고 있다. 방위산업 분야의 무기체계에 적용된 소프트웨어는 활용 코드의 결함 요소(영향도, 발생빈도, 제어가능성)를 사전에 식별하고 위험성을 수정하는 목적의 소프트웨어 신뢰성 시험을 통과해야 한다(Oh et al., 2024). 게다가 최신 무기체계는 무인 체계(센싱, 네트워킹, 빅데이터, AI) 운용 확대를 추진하고 있어 체계의 고신뢰성이 중요하며(Kim, Kim, & Jeong, 2024), 소프트웨어 기반 기술의 발전으로 성능개량⋅기능 변경 요구가 증가하면서(Cho, Min, Lim, & Choi, 2023) 미래 전투준비태세와 작전지속능력 수준을 유지하는 지속적인 품질개선 활동이 필수적이다(e.g., Hur, 2024). 특히, 해당 체계나 장비는 장기간의 운용 보장을 위한 일련의 시험(test), 분석(analysis) 및 수정(fix) 과정인 신뢰도 성장(reliability growth) 개념을 토대로 신뢰성 수준을 점진적으로 개선하는 지속관리가 필요하다(Sung, Yoon, & Lim, 2021). 이런 지속관리 차원에서 소프트웨어 신뢰성 성장 모델(Software Reiability Growth Model, SRGM)은 신뢰성의 평가 및 개선을 위한 효과적인 대표적 방법으로 사용되고 있다(Bahnam, Dawwod, & Younis, 2024; Samal & Kumar, 2024; Yamada & Osaki, 1985).
SRGM은 소프트웨어 테스트 과정에서 발견되는 결함이나 코드 수정 과정의 분석 결과를 토대로 향후 결함 발생 가능성을 예측하고 신뢰성 수준을 정량적으로 평가하는 중요한 의사결정 자료를 제공하는 모델이다. 그래서 지금까지 다양한 SRGM 연구가 제안되었으며, 최근 관련된 선행연구는 주로 하나의 최적화 기법(Jin & Jin, 2016; Dhavakumar & Gopalan, 2021)이나 딥러닝(DNN, RNN, LSTM) 모델(Kim, Pham, & Chang, 2023; Kim, Ryu & Baik, 2024)을 사용하여 SRGM 개선을 시도하고 있다. 그러나 이런 접근은 분석상의 한계점이 존재한다. 예를 들어 특정한 하나의 최적화 기법만을 적용하면 국부 최적해(Local Optimum)에 갇힐 위험으로 신뢰성 평가의 정확도 감소를 초래할 수 있다. 그리고 딥러닝 모델을 활용한 추정의 경우에 학습한 데이터 이후에 발생할 수 있는 외삽 문제로 데이터 범위를 벗어난(e.g., 소프트웨어의 테스트 이후에 대한 결함) 예측 검증이 제한되어 소프트웨어 신뢰성을 정확히 판단하기 어렵다. 상기한 제약 문제를 해결하기 위해서 본 연구 목적은 최적화 방법의 최소자승법(Least Squares Method, LSM)과 최대우도법(Maximum Likelihood Estimation, MLE)에 각각 다수의 최적화 알고리즘 Software reliability and machine learning / Shin, Myeonggeun⋅Jung, Juwon⋅Lee, Jihyun⋅Ryu, Insoo⋅Park, Sanggun 17을 적용하여 전역 최적해(Global Optimum)에 근접한 값을 찾는 데 있다. 이런 개선된 분석 접근은 최적화 과정에서 국부 최적해에서 벗어나 전체 영역의 탐색을 통해 실제에 근접한 해를 도출하는 데 기여할 수 있을 것이다.
…중략
결론
본 연구는 소프트웨어 신뢰성 평가에서 SRGM에 단일 최적화 방식의 위험성을 입증하였다. J1, J2, J3 데이터에 대해 최적화 알고리즘에 따른 MSE 차이가 최대 약 222배(수치적으로 15696.9 차이)(Table 4)에 해당하는 결과를 보여주었으며, 이를 통해 여러 최적화 알고리즘을 적용하여 전역 최적해에 가장 근접한 결과를 도출하는 것이 중요함을 강조하였다. 본 연구에서 활용한 세 개의 데이터셋은 공통적으로 LSM 방식의 trf 최적화 알고리즘이 낮은 MSE 값을 도출하였다. 하지만, LSM 방식의 dogbox와 MLE 방식의 Nelder-Mead, Powell, SLSQP 최적화 알고리즘은 상대적으로 큰 MSE값을 보이며 전역 최적해의 결과와 유의미한 차이를 드러냈다. 이는 SRGM에 적합한 최적화 방식과 알고리즘의 조합들을 식별할 수 있거나 국부 최적해에 머무를 수 있는 비적합한 조합을 통계적으로 검증할 수 있음을 시사한다.
상기한 연구결과를 토대로 본 연구는 SRGM에 적합한 최적화 방식과 알고리즘의 조합 식별이나 비적합한 조합 제거를 통해 최적화 목적 계산에서 자원 소모를 최소화하면서 분석소요 시간도 단축할 수 있어 실무적 적용 측면에서 의의가 있다. 특히, 국방 및 방산 분야의 소프트웨어에 적합한 소프트웨어 신뢰성 평가에서 국방 무기체계에 특화된 결함 데이터를 활용한 분석이 필요하다. 이런 점에서 본 연구는 SRGM 최적화를 통해 무기체계 소프트웨어의 신뢰성 평가에 관한 정확성 향상 방안을 제시하였다는 점에서 연구가 시사하는 바가 크다.
- 국방무기체계 SW ALM 도구 관련 문의 : 02-6945-2156 / Contact us – (주)모아소프트 (moasoftware.co.kr)
