개발자 별 버그 해결 유형을 고려한 자동적 개발자 추천 접근법 (A Technique to Recommend Appropriate Developers for Reported Bugs Based on Term Similarity and Bug Resolution History)

서지정보

· 발행기관 : 한국정보처리학회
· 수록지 정보 : 정보처리학회 논문지 / 3권 / 12호 / 511 ~ 522페이지
· 저자명 : 박성훈, 김정일, 이은주

초록

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. 개발자또는 사용자가 발생된 버그를 버그 트래킹 시스템에 보고하면, 프로젝트 매니저에 의해서 보고된 버그는 버그 해결에 적합한 개발자에게전달되어 해결될 때까지 버그 트래킹 시스템에 의해서 추척된다. 여기서 프로젝트 매니저가 버그 해결에 적합한 개발자를 선별하는 것을버그 분류 작업 (Bug triaging)이라고 하며, 대량으로 발생되는 버그 리포트들을 수동으로 분류하는 것은 프로젝트 매니저에게 있어서 매우어려운 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 분류한후, 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.

영어초록

During the development of the software, a variety of bugs are reported. Several bug tracking systems, such as, Bugzilla, MantisBT,Trac, JIRA, are used to deal with reported bug information in many open source development projects. Bug reports in bug trackingsystem would be triaged to manage bugs and determine developer who is responsible for resolving the bug report. As the size of thesoftware is increasingly growing and bug reports tend to be duplicated, bug triage becomes more and more complex and difficult. Inthis paper, we present an approach to assign bug reports to appropriate developers, which is a main part of bug triage task. At first,words which have been included the resolved bug reports are classified according to each developer. Second, words in newly bugreports are selected. After first and second steps, vectors whose items are the selected words are generated. At the third step,TF-IDF(Term frequency - Inverse document frequency) of the each selected words are computed, which is the weight value of eachvector item. Finally, the developers are recommended based on the similarity between the developer’s word vector and the vector ofnew bug report. We conducted an experiment on Eclipse JDT and CDT project to show the applicability of the proposed approach. Wealso compared the proposed approach with an existing study which is based on machine learning. The experimental results show thatthe proposed approach is superior to existing method.

참고자료

· 없음