기술 요약: 폴리글랏 및 멀티 레포지토리 마이크로서비스 프로젝트의 분산 아키텍처 재구성

문제 정의

본 논문은 마이크로서비스 시스템의 정확한 아키텍처 문서화를 유지하는 데 있어 두 가지 주요 과제를 식별한다:

1. 기술적 이질성(Technological Heterogeneity): 마이크로서비스 프로젝트는 종종 다양한 프로그래밍 언어, 프레임워크 및 코딩 컨벤션을 채택한다. 기존의 정적 분석 접근 방식은 특정 기술(예: Java Spring)에 국한되거나, 새로운 언어를 지원하기 위해 높은 구현 장벽을 초래하는 복잡한 언어 불가지론적 추상화 계층(예: ReSSA)을 요구하는 경우가 많다.
2. 멀티 레포지토리 제약(Multi-Repository Constraints): 많은 마이크로서비스 아키텍처는 독립적인 팀이 별도의 레포지토리에서 서비스를 관리하는 "멀티 레포(multi-repo)" 환경에서 개발된다. 기존의 재구성 도구들은 일반적으로 모놀리식 소스 코드 가용성을 가정하며, 시스템 전체를 중앙에서 분석해야 한다. 이러한 접근 방식은 단일 서비스의 미세한 변경 사항에도 전체 시스템을 다시 분석해야 하므로, 마이크로서비스의 느슨한 결합(loose-coupling) 이점을 상쇄하며 개별 서비스의 CI/CD 파이프라인에 통합하는 것을 비실용적으로 만든다.

또한, 동적 분석 솔루션(예: OpenTelemetry)이 존재하지만, 이는 실행 중인 시스템을 필요로 한다. 정적 분석은 개발 워크플로우에 통합하고 배포 없이 레포지토리를 분석하는 데 더 적합하지만, 견고하고 범용적인 목적의 정적 재구성 도구는 부족한 실정이다.

방법론

저자들은 다음과 같은 핵심 개념을 기반으로 한 정적 아키텍처 재구성을 위한 프레임워크인 ModARO(MODular Architecture Reconstruction Orchestrator)를 제안한다.

1. 모듈형 추출기 (Modular Extractors)

단일 범용 알고리즘 대신, 이 프레임워크는 특정 기술(예: Docker Compose, Java Spring)을 기준으로 모델 엔티티를 검사하고 수정하도록 작성된 모듈형, 무상태(stateless) 함수인 **추출기(extractor)**를 활용한다.

• 실행 모델: 추출기는 모델 엔티티를 입력으로 받아 이를 수정하고 결과를 반환한다. 추출기는 전역 상태를 가지지 않으며, 데이터는 오직 모델을 통해서만 전달된다.
• 등록: 추출기는 자신이 처리할 수 있는 특정 엔티티 유형을 정의하는 JSON 스키마를 등록한다.
• 유연성: 추출기는 외부 도구나 제3자 라이브러리를 호출할 수 있으므로, 기존 정적 분석 도구를 래핑(wrapping)하거나(예: ReSSA 래핑) 커스텀 로직을 통합할 수 있다.

2. 재구성 알고리즘

프레임워크는 추출기 실행을 오케스트레이션하기 위해 재귀적 알고리즘을 사용한다:

• 초기화: 구성(예: 레포지토리 경로)을 기반으로 최상위 모델 엔티티를 생성한다.
• 반복 실행: 등록된 추출기를 반복적으로 순회한다. 엔티티가 추출기의 스키마와 일치하면, 복사본이 추출기로 전달된다.
• 충돌 해결 및 집계: 추출기에 의해 변경된 사항들이 적용된다. 만약 단일 패스(pass) 내에서 여러 추출기가 동일한 필드를 수정하는 경우, 충돌이 감지되어 에러를 발생시킨다. 충돌하지 않는 변경 사항(예: 배열에 요소 추가)은 병합된다.
• 재귀: 더 이상 새로운 엔티티가 생성되지 않거나 추가적인 수정이 발생하지 않을 때까지 프로세스가 반복된다. 하위 엔티티는 재귀적으로 처리된다.
• 상태 추적: 각 엔티티에는 UUID가 할당되어 추출기가 동일한 엔티티에서 여러 번 실행되는 것을 방지하고 무한 루프를 방지한다.

3. 분산 아키텍처 재구성

멀티 레포 환경을 지원하기 위해, 프레임워크는 **분산 재구성(distributed reconstruction)**을 가능하게 한다:

• 독립적 실행: 각 레포지토리는 자체 CI/CD 파이프라인 내에서 재구성 프로세스를 독립적으로 실행하여 모델 파일(JSON)을 생성한다.
• 집계: 이러한 모델 파일들은 나중에 통합된 아키텍처 뷰로 집계된다. 집계 알고리즘은 JSON 객체의 재귀적 합집합(union)을 수행한다.
  • 스칼라(Scalars): 충돌하는 스칼라 값(문자열, 숫자)은 데이터 무결성을 보장하기 위해 에러를 발생시킨다.
  • 배열(Arrays): 배열은 내용의 합집합을 형성함으로써 병합된다. 동일한 원시 값은 중복 제거되며, 호환 가능한 객체(예: 이름과 버전이 일치하는 마이크로서비스)는 병합된다.
• 소급적 연결(Retroactive Linking): 서비스 간 의존성을 긴밀한 결합 없이 처리하기 위해, 추출기는 고정된 ID나 URI가 아닌 관찰 가능한 특성(예: 도메인, 포트, 엔드포인트)을 기반으로 **링크(link)**를 정의할 수 있다. 이러한 링크는 모델 집계 후에만 해결되므로, 추출기가 원격 서비스에 대한 지식 없이도 동작할 수 있게 한다.

4. API 프레임워크

논문은 추출기 개발을 용이하게 하기 위해 세 가지 핵심 작업에 집중한 API를 제공한다:

1. 특정 파일/폴더를 위한 디렉토리 트리 스캐닝 (glob 패턴 사용).
2. 파일 내용으로부터 데이터 추출 (속도를 위해 정규 표현식 사용, 향-전체 문법 파싱 계획 포함).
3. 모델에 데이터 주입.

주요 기여

• ModARO 프레임워크: 모듈형, 정적 분석 기반의 아키텍처 재구성 도구로서의 오픈 소스 구현체.
• 분산 재구성 모델: 마이크로서비스 레포지토리가 독립적으로 분석된 후 나중에 집계될 수 있도록 하여, 마이크로서비스의 느슨한 결합 원칙을 보존하는 새로운 접근 방식.
• 확장 가능한 추출기 아키텍처: 핵심 엔진을 수정하거나 복잡한 언어 불가지론적 추상층을 생성할 필요 없이, 개발자가 특정 기술을 위한 추출기를 작성할 수 있도록 진입 장벽을 낮춘 설계.
• 소급적 연결 메커니즘: 정적 식별자가 아닌 동적 특성을 기반으로 서비스 간 관계를 정의하는 방법으로, 분산 분석을 용이하게 함.

결과 및 응용

논문은 프레임워크의 설계와 알고리즘을 설명하며, 특정 시나리오에서의 성공적인 적용 사례를 언급한다:

• 의존성 그래프 생성: 저자의 공동 투자자인 Swordfish Computing은 마이크로서비스 프로젝트의 의존성 그래프를 생성하기 위해 이 프레임워크를 활용하였다. 집계 과정에서 공유 의존성(예: 동일한 라이브러리 버전)이 단일 항목으로 자동 병합되어, 더욱 압축적이고 해석 가능한 그래프를 생성하였다.
• 잠재적 활용 사례: 저자들은 본 프레임워크가 휴리스틱 및 코드 스멜(code smell) 도구의 출력을 수집하거나, 구성 이슈를 탐지하거나, 빌드 파이프라인 내에서 테스트 보고서를 집계하는 데 사용될 수 있다고 제안한다.

의의 및 주장

본 논문은 ModARO를 현재의 정적 분석 도구들이 폴리글랏, 멀티 레포 환경을 지원하는 데 실패하는 한계를 극복하는 실질적인 솔루션으로 포지셔닝한다.

• 실용성: 단일 범용 알고리즘보다 모듈형 접근 방식을 우선시함으로써, 낮은 구현 장벽을 통해 더 넓은 범위의 아키텍처에 대한 실행 가능성을 높이는 것을 목표로 한다.
• 워크플로우 통합: 분산된 접근 방식 덕분에 아키텍처 재구성을 개별 서비스의 CI/CD 파이프라인에 직접 통합할 수 있어, 마이크로서비스 개발의 구성적(compositional) 특성을 지원한다.
• 정적 vs 동적: 저자들은 동적 분석이 성숙해져 있지만, 시스템 배포가 불가능한 레포지토리 분석이나 개발 워크플로우에는 정적 분석이 더 적합하다고 주장한다.

저자들은 본 연구가 프레임워크 설계 및 구현 단계임을 인정하며, 향-표준 모델 스키마 정의, 실제 프로젝트에서의 프레임워크 평가, 표준 코드 파싱 API 탐색 등을 향후 과제로 제시한다.