기본 콘텐츠로 건너뛰기

Cyclomatic complexity - 코드 품질의 정량적 지표

테스트 설계 기법 중에 Basis Path Testing 이라는 기법이 있습니다.

이 기법의 이론적인 배경을 이루고 있는 것이 Cyclomatic Complexity 라는 것입니다.

Cyclomatic Complexity 는 코드의 복잡도를 측정하는 정랑적 지표로 대표적인 매트릭 중 하나입니다.

Cyclomatic Complexity 에 대한 자세한 내용은 위키피디아에서 확인하실 수 있습니다.

Cyclomatic complexity (or conditional complexity) is a software metric ( measurement). It was developed by Thomas J. McCabe Sr. in 1976 and is used to ...


결론적으로 Cyclomatic Complexity는  “분기문 개수 + 1″ 로 쉽게 계산할 수 있습니다.

이 복잡도의 의미는 바로 실행 경로의 개수를 말합니다.

즉, 이것은 최소한 테스트를 수행해야 하는 경로의 개수이고, 이것이 높다는 것은 필요한 테스트케이스의 수가 그만큼 많아지게 되는 것이기 때문에 오류를 모두 확인하지 못하고 출시될 수 있다는 것을 말합니다.

일반적으로 Cyclomatic Complexity 는 10을 기준으로 해서 더 높아지지 않는 것을 권장합니다. 대략 3~7 정도면 잘 구조화된 코드로 봅니다.

이 Cyclomatic Complexity 는 사람이 직접 계산할 수도 있지만 복잡한 코드를 control flow graph 로 작성하고 계산하는 과정은 일종의 리소스 낭비나 다름없기 때문에 이러한 복잡도를 계산해 주는 도구가 있습니다.

가장 대표적인 것이 McCabe 사의 McCabe IQ 입니다.

그런데 대부분의 Cyclomatic Complexity 를 구하는 도구들의 가격은 일반적인 회사에서 구매하기에 절대 만만치 않은 금액들이 많습니다.

하지만 궁하면 통한다고 했던가요?

다른 방법으로 코드의 복잡도를 구해주는 몇몇 오픈소스 도구들이 있습니다.

그 중 사용방법이 쉬우면서 다양한 언어를 지원하고 기능이 충실한 프로그램 중 하나로 SourceMonitor 라는 도구가 있습니다.
이 오픈소스 도구는 Cyclomatic Complexity 를 구해주는 도구는 아니지만 기본적으로 코드의 복잡도를 구해주는 도구로 유용하게 사용할만한 도구입니다. (솔직히 이 도구가 구해주는 복잡도가 정확히 어떤 것들을 참고로 해서 어떤 로직으로 구해지는 잘 모르겠습니다. 혹시 아시는 분 계신가요? Cyclomatic Complexity 를 구해주지 못한다고 해도 복잡도라는 것을 직관적으로 보여주기 때문에 유용한 도구임에는 틀림없습니다.)

SourceMonitor 의 가장 큰 장점으로는 CruiseControl.Net에 붙여서 자동화할 수 있다는 것입니다.

위 도구의 자세한 사용법은 아래 블로그를 한번 살펴보시면 도움이 되실 것입니다. 해당 블로그를 작성하신 분께서 수정된 CruiseControl.Net 의 스타일 쉬트 파일도 공유중이십니다.
Cyclomatic Complexity 는 TDD와 같은 방법으로 개발을 진행할 때 코드의 품질을 측정할 수 있는 매트릭으로도 유용하고, 테스트 용이성을 판단하는 매트릭으로도 유용하게 사용됩니다.

이러한 매트릭을 측정하기 위해서 꼭 비싼 도구만을 사용해야 하는 것은 아니기 때문에 괜찮다면 한번 사용해 보시는 것도 좋을 것 같습니다.
라벨:

댓글

댓글 쓰기

이 블로그의 인기 게시물

합성 사용자(Synthetic Users)의 5가지 유형과 AI 테스팅 현장에서의 활용법

AI와 생성형 모델 기술이 발전하면서, 사용자 경험(UX) 연구와 테스팅 현장에서 가상 퍼소나를 활용해 테스트 데이터를 수집하거나 사용성을 평가하려는 시도가 급격히 늘고 있습니다. 이를 흔히 '합성 사용자(Synthetic Users)'라고 부릅니다. 하지만 막연히 "AI에게 사용자 역할을 시켜 테스트를 돌린다"고 할 때, 그 가상 사용자가 어떤 방식과 데이터로 생성되었는지 명확히 구분하지 않으면 자칫 왜곡된 결과에 빠질 위험이 있습니다. UX 및 사용성 리서치 분야의 권위 있는 기관인 MeasuringU에서 이 합성 사용자의 개념을 명쾌하게 분류한 아티클을 공개했습니다. 바로 "What Are the Different Types of Synthetic Users?"라는 글입니다. (출처: MeasuringU - What Are the Different Types of Synthetic Users? / Jeff Sauro, PhD & Jim Lewis, PhD) https://measuringu.com/what-are-the-different-types-of-synthetic-users/ Jeff Sauro와 Jim Lewis 박사는 합성 사용자를 단순히 하나의 개념으로 뭉뚱그리지 않고, 생성 기술의 근거와 데이터 기반에 따라 크게 5가지 유형으로 깔끔하게 정리해 줍니다. 첫째는 규칙 기반(Rule-Based) 합성 사용자입니다. AI 모델이 아니라 사전 정의된 조건문, 정규식, 시나리오 스크립트에 따라 움직이는 전통적인 형태의 가상 사용자입니다. 예측 가능하고 정확하지만, 인간 사용자의 복잡한 정서나 미묘한 변수를 반영하진 못합니다. Selenium, Playwright, K6 같은 도구를 통해 지정된 경로대로 버튼을 누르고 데이터를 입력하는 방식을 들 수 있습니다. 둘째는 퍼소나 기반 LLM(Persona-Based LLM) 합성 사용자입니다. 생성형 AI에게 "너는 50대 비테크놀로지 사용...
댓글 쓰기
자세한 내용 보기

피드백 루프: AI 시대 테스터가 지켜내야 할 핵심 엔진

소프트웨어 개발과 테스팅 현장에서 가장 자주 언급되지만, 막상 시스템이 복잡해질수록 쉽게 경시되곤 하는 핵심 개념이 바로 '피드백 루프(Feedback Loop)'입니다. 코드를 수정하고, 빌드하고, 테스트 결과를 확인하고, 다시 개선하는 그 순환 과정의 속도와 정확도가 결국 소프트웨어의 품질을 결정짓기 때문입니다. 품질 전문가 매슈 하이저(Matthew Heusser)가 자신의 블로그 Quality Remarks에 기고한 "One Loop After Another" 아티클은 바로 이 피드백 루프의 다층적 구조와, AI 시대에 우리가 놓치지 말아야 할 품질 검증의 본질을 날카롭게 되짚어 줍니다. (출처: Quality Remarks - One Loop After Another / Matthew Heusser) https://qualityremarks.com/one-loop-after-another/ 매슈 하이저는 소프트웨어 개발 생태계가 단순히 하나의 커다란 테스트 루프로 돌아가는 것이 아니라, 시간 축과 관점에 따라 겹겹이 쌓인 '연쇄적인 피드백 루프들(One Loop After Another)'로 이루어져 있다고 설명합니다. 초단기 루프 (Inner Loop): 개발자가 코드를 작성하는 몇 초~몇 분 단위의 루프입니다. 단위 테스트(Unit Test)나 IDE의 Linter, AI 자동 완성이 즉각적인 피드백을 주는 영역입니다. 단기 루프 (Daily / CI Loop): 커밋과 푸시가 이루어지고, CI/CD 파이프라인에서 통합 테스트와 정적 분석이 실행되는 몇 시간 단위의 루프입니다. 중기 루프 (Iteration / Exploration Loop): 스프린트 단위로 탐색적 테스팅(Exploratory Testing)을 수행하고, 실제 사용자 시나리오나 엣지 케이스를 사람이 직접 검증하며 시스템의 유기적 작동을 확인하는 며칠~몇 주 단위의 루프입니다. 장기 루프 (Outer / Market Loop): 실제 ...
댓글 쓰기
자세한 내용 보기

AI 에이전트의 환각과 프롬프트 폭증을 막는 '컨텍스트 엔지니어링(Context Engineering)'과 아키텍처의 미래

AI 코딩 에이전트나 생성형 LLM을 소프트웨어 개발에 접목하는 시도가 늘어나면서, 엔지니어들이 마주하는 가장 큰 기술적 병목 중 하나는 바로 '컨텍스트(Context)'의 관리입니다. 저 역시 최근 AI와 바이브 코딩(Vibe Coding)을 활용해 여러 프로젝트를 진행하고 있는데, 하나의 대화창(세션)을 오래 켜둔 채 작업을 계속 이어가다 보면 AI가 초기 맥락을 잊어버리거나 이전에 지켜달라고 했던 제약조건을 놓치며 실수를 저지르는 경우를 자주 겪곤 합니다. 그래서 저는 목적별로 대화창을 명확하게 분리해서 작업하거나, 어느 정도 작업 단계가 진행되면 지금까지의 구현 내용과 의사결정을 요약 정리한 뒤 새 대화창에서 AI에게 이를 다시 학습시키는 방식으로 맥락을 관리하고 있습니다. 그렇다면 엔지니어링 아키텍처 차원에서는 이 문제를 어떻게 접근하고 있을까요? InfoQ의 발표 아티클 "Architecture / Context Engineering"에서는 바로 이 지점, 즉 단순한 프롬프트 엔지니어링을 넘어 시스템 아키텍처 수준에서 컨텍스트를 제어하는 '컨텍스트 엔지니어링(Context Engineering)'의 필요성과 구체적인 프레임워크를 다루고 있습니다. (출처: InfoQ - Architecture / Context Engineering) https://www.infoq.com/presentations/architecture-context-engineering/ 발표자들은 코딩 에이전트나 자율형 에이전트가 현장에서 실패하는 가장 큰 이유로 '비대해진 컨텍스트 윈도우(Bloated Context Windows)'와 무분별하게 채워진 프롬프트(Stuffed Prompts)를 꼽습니다. AI에게 너무 많은 정보를 한 번에 주면, 모델의 주의력(Attention)이 분산되거나 논리적 우선순위를 놓치는 현상이 발생합니다. 마치 인간 엔지니어에게 백과사전 수십 권을 던져주고 "이거 다 읽고 10초 ...
댓글 쓰기
자세한 내용 보기