심층 학습 기반 소프트웨어 리팩토링 연구

소프트웨어 리팩토링은 품질과 유지보수성을 향상시키는 핵심 활동이나, 기존의 수동적·휴리스틱 기반 접근법은 한계가 있습니다. 최근 딥러닝(DL) 기술이 이러한 한계를 극복하기 위해 리팩토링에 적용되고 있으나, 관련 연구를 종합적으로 정리하고 체계화한 자료는 부족한 실정입니다. 본 연구는 딥러닝 기반 소프트웨어 리팩토링을 코드 스멜 탐지, 리팩토링 추천, 리팩토링 구현, 리팩토링 마이닝, 리팩토링 영향 분석의 다섯 가지 핵심 과업으로 분류하여 포괄적인 조사를 수행했습니다. 이를 통해 딥러닝 기반 리팩토링 연구의 현황과 분포를 체계적으로 분석했습니다. 분석 결과, 연구의 대부분(75% 이상)이 코드 스멜 탐지(43.84%)와 리팩토링 추천(32.88%) 등 초기 의사결정 단계에 집중되어 있음을 확인했습니다. 반면, 리팩토링 구현(12.33%)과 마이닝(8.22%)은 초기 단계이며, 리팩토링 영향 분석(2.74%)은 거의 탐구되지 않았습니다. 또한, 딥러닝 기반 리팩토링의 품질 보증 연구가 부족하고, 클래스 및 변수 수준의 작업에 대한 관심이 미미하다는 주요 간극을 발견했습니다. 이 연구는 딥러닝 기반 리팩토링 분야의 현황을 명확히 제시하고, 연구 불균형과 미개척 영역을 조명합니다. 제시된 개방형 도전 과제와 미래 방향은 연구자들이 더욱 포괄적이고 종단 간 자동화된 리팩토링 파이프라인을 구축하는 데 중요한 지침이 될 것입니다.