기술 요약: 미세 조정된 LLM 기반 코드 마이그레이션 프레임워크

문제 정의

Oracle에서 PostgreSQL로 대규모 데이터베이스 관리 시스템(DBMS)을 마이그레이션하는 것은 단순한 구문 변환을 훨씬 뛰어넘는 복잡하고 학제적인 도전 과제입니다. 저자들은 다음과 같은 몇 가지 결정적인 장벽을 식별했습니다:

• 의미론적 및 구조적 격차: Oracle PL/SQL과 PostgreSQL PL/pgSQL 사이에는 구문, 데이터 타입, 커서 동작 및 쿼리 최적화 전략 측면에서 상당한 차이가 존재합니다.
• 규모와 의존성: 대규모 코드베이스는 종종 수십만 개의 상호 의존적인 파일들을 포함하고 있어, 자동화된 분석과 변환을 어렵게 만듭니다.
• 기존 도구의 한계: 전통적인 규칙 기반 도구(예: AWS Schema Conversion Tool, Ora2PG)는 심층적인 문맥 분석, 동적 SQL, 복잡한 트리거 및 예외 처리에 취약하며, 이로 인해 불완전한 번역이나 의미론적 드리프트(semantic drift)가 발생하는 경우가 많습니다.
• LLM의 한계: 거대 언어 모델(LLM)은 유망한 가능성을 보여주지만, 도메인 특화 적응 없이 직접 적용될 경우 의미론적 드리프트, API 호출 불일치, 일관되지 않은 제어 구조 매핑과 같은 체계적인 오류를 빈번하게 일으킵니다.

핵심적인 과학적 문제는 의미론적 무결성을 보장하고, 아키텍처 리스크를 최소-화하며, 거대하고 이질적인 코드 라이브러리에 걸쳐 고충실도(high-fidelity) 마이그레이션을 달성하기 위해 미세 조정(fine-tuning)과 프롬프트 엔지니어링 사이의 균형을 맞추는 통합적이고 반복적인 프레임워크가 부족하다는 점입니다.

방법론

제안된 솔루션은 생성형 AI(GAI)와 전통적인 소프트웨어 공학 기법을 통합한 반복적이고 확장 가능한 프레임워크입니다. 방법론은 다음과 같은 핵심 구성 요소로 구조화됩니다:

1. 2단계 미세 조정 논리

저자들은 단일한 전체론적 학습 이벤트 대신 2단계 지시어 튜닝(instruction tuning) 파이프라인을 채택합니다:

• 1단계 (구문 정렬 - Syntactic Alignment): 모델은 코드와 자연어 설명을 쌍으로 하는 데이터셋(<Code> : <Description>)을 통해 학습됩니다. 이 단계는 직접적인 변환을 수행하지 않고, 두 언어의 구조적 패턴, 방언의 뉘앙스, 타입 시그니처 및 스코프 규칙을 학습하는 데 집중합니다.
• 2단계 (변환 동작 - Transformation Behavior): 모델은 직접적인 변환 쌍(<Oracle Code> : <PostgreSQL Code>)을 통해 미세 조정됩니다. 이 단계는 모델의 초점을 구문적 이해에서 절차적 로직 변환으로 전환하여, 블록, 커서 및 예외를 변환하면서도 의미론적 보존을 보장합니다.

2. 하이브리드 코드 특징 프로파일링 엔진 (HCFPE)

코드베이스의 이질성을 관리하기 위해, HCFPE는 SQL 특징 메타데이터(구문 마커, 흐름 구조, 방언 특유의 연산자)를 사용하여 코퍼스를 주석 처리합니다. 이를 통해 비정형 코드를 구조화된 표현으로 변려하여, 계층화된 데이터셋(소, 중, 대)을 생성하고 RMAN, SQL*Plus, PL/SQL과 같은 특징들의 분포를 학습 데이터가 정확히 반영하도록 합니다.

3. 지식 베이스 아키텍처 및 RAG

프레임워크는 두 가지 별도의 전략을 사용하는 검색 증강 생성(RAG)을 채택합니다:

• 전략 A (하이브리드 지식 베이스): Oracle 코드, PostgreSQL 문서, 그리고 전문가(SME)로부터 도출된 변환 규칙을 포함하는 세 개의 별도 벡터 데이터베이스를 활용합니다. 이를 통해 LLM은 결정론적 규칙과 권위 있는 구문 문서를 코드 예제와 함께 적용함으로써 문맥을 삼각 측량할 수 있습니다.
• 전략 B (통합 지식 베이스): 직접적인 "Oracle-PostgreSQL" 변환 쌍만을 포함하는 단일 벡터 데이터베이스를 사용합니다. 이는 명시적인 규칙 강제 없이 오직 예시만을 바탕으로 모델의 일반화 능력을 테스트합니다.

4. Human-in-the-Loop 및 오류 수정

프레임워크는 폐쇄 루프 반복 로직을 포함합니다:

• 평가: 출력물은 NLP 지표(Recall, BLEU, ChrF)와 구조적 검증기(구문 체크기, 정적 분석기)를 사용하여 평가됩니다.
• 오류 분석: 오류는 구문, 의미, 구조 및 기능 그룹으로 분류됩니다.
• SME 피드백: 주제 전문가(SME)는 모호하거나 복잡한 샘플에 대해서만 개입합니다. 이들의 피드백은 데이터셋을 확장하고 주석을 정교화하는 데 사용됩니다.
• 데이터셋 추정: 수학적 메커니즘을 통해 각 SQL 특징에 대한 "Gap" 지표($GAP_{Feature}$)를 계산합니다. 이 지표는 데이터셋 표현($GAP_{Dict}$)과 모델 품질($GAP_{Quality}$)을 결합하여, 다음 반복을 위해 어떤 특징에 추가 학습 샘플이 필요한지를 자동으로 우선순위화합니다.

5. 실험 파이프라인

연구는 네 가지 별도의 파이프라인을 평가합니다:

1. 직접 변환 (Direct Conversion): 외부 문맥 없이 표준 프롬프트 기반 변환을 수행합니다.
2. 이력 인식 변환 (History-Aware Conversion): 상태 일관성을 유지하기 위해 이전에 생성된 청크(chunk)를 문맥으로 포함합니다.
3. RAG 전략 A: 이질적인 문맥(규칙, 문서, 코드)을 검색합니다.
4. RAG 전략 B: 오직 쌍을 이룬 변환 예시만을 검색합니다.

주요 결과

연구는 1,800개 이상의 파일을 크기별로 계층화한 데이터셋을 대상으로 여러 모델(Qwen32B, Qwen7B, GPT-4 변형 모델)을 전통적인 도구인 Ora2PG와 비교 평가했습니다.

• 미세 조정된 LLM의 우월성: 미세 조정된 Qwen32B 모델(Qwen32B-ft2)은 다른 모든 후보 모델 및 Ora2PG 도구를 일관되게 능가했습니다. 직접 변환 파이프라인에서 이 모델은 **74.57%**의 파일 변환 효율을 달로, Ora2PG의 **49.66%**보다 높은 성과를 거두었습니다.
• 오류 감소: 미세 조정은 구문 오류율(SER)을 크게 낮추었습니다. Qwen32B-ft2 모델은 오류가 포함된 파일 수가 가장 적었으며(205개), 총 오류 수도 가장 적었습니다(3,554개). 반면 기본 모델과 더 작은 규모의 LLM은 훨씬 더 많은 오류량을 누적했습니다.
• 특징 커버리지: 미세 조정된 모델은 기대되는 PostgreSQL 특징 분포와 우수한 정렬을 보였습니다. 예를 들어, Qwen32B-ft2는 CORE_SQL에 대해 72.3%, PL/SQL에서 PL/pgSQL로의 변환에 대해 **69.1%**의 커버리지를 달성한 반면, Ora2PG는 상당한 정보 손실(예: PL/SQL 커버리지 47.5%)과 절차적 로직의 체계적인 과소 생산을 보였습니다.
• RAG의 영향: RAG가 추가적인 이점을 제공하기는 했으나, 이력 인식 파이프라인과 미세 조정된 모델을 사용한 직접 변환이 가장 안정적인 결과를 냈습니다. 전략 A(하이브리드)는 복잡한 특징에 대해 견고함을 제공했고, 전략 B는 고품질의 쌍 데이터셋이 확보되었을 때 강력한 성능을 보였습니다.
• 경제적 영향: 저자들은 단 한 번의 미세 조정 반복을 통해 Ora2PG보다 약 27,690개의 파일을 더 자동으로 마이그레이션할 수 있다고 추정합니다. 이는 100,000개 파일 규모의 코드베이스에서 약 **9 인월(person-months)**의 수동 SME 노동력을 절감하는 효과로 이어집니다.

의의 및 주장

본 논문은 규칙 기반 자동화와 현대적 코드베이스의 의미론적 복잡성 사이의 간극을 메우는 대규모 데이터베이스 마이그레이션을 위한 방법론적 토대를 제공한다고 주장합니다.

• 반복적 품질 제어: 주요 기여는 "GAP 기반 데이터셋 추정" 메커니즘으로, 마이그레이션을 정적인 엔지니어링 작업에서 데이터 중심의 최적화 루프로 전환합니다. 이를 통해 특정 성능 결핍에 따른 타겟팅된 데이터셋 확장이 가능해지며, 맹목적인 데이터 축적이 아닌 특정 결함에 기반한 모델 개선을 보장합니다.
• 확장성: 프레임워크는 마이그레이션 품질을 특징 단위의 지표로 분해함으로써 100,000개 이상의 파일을 다루는 엔터프라이즈 규모의 라이브러리를 처리할 수 있도록 설계되었습니다. 이는 전통적인 방식과 관련된 수동 작업량의 기하급적인 증가를 방지합니다.
• 하이브리드 접근법: 본 연구는 구조적 역량을 위한 2단계 미세 조정과 문맥적 근거 마련을 위한 RAG의 조합이 단독 접근 방식이나 전통적인 규칙 기반 도구보다 우수한 결과를 낸다는 것을 입증했습니다.
• 경제적 타당성: 수동 노력의 감소를 정량화함으로써, 본 논문은 LLM 기반 마이그레이션이 기술적으로 실현 가능할 뿐만 아니라 경제적으로도 유리하며, 초기 데이터셋 준비(6번의 스프린트 동안 3만 개의 훈련 샘플 준비)만으로도 빠른 ROI를 제공한다고 주장합니다.

저자들은 실행 수준의 검증은 향후 과제로 남아 있으나, 제안된 프레임워크가 엔터프라이즈 데이터베이스 현대화를 위한 확장 가능하고 정밀하며 경제적으로 실행 가능한 접근 방식을 성공적으로 구축했다고 결론짓습니다.