여러 마이크로서비스 프로젝트에서 얻은 증거를 바탕으로, 크로스 서비스 구현 범위를 미리 예측하는 것: 가능성과 한계

마이크로서비스 아키텍처(Microservice architectures)는 변경 사항을 지역화하는 것을 목표로 하지만, 기능 요청(feature requests)은 서비스 경계를 가로지르는 구현을 필요로 할 수 있습니다. 우리는 이러한 다운스트림 범위(downstream scope)를 구현 시작 전에 얼마나 잘 예측할 수 있는지 조사했습니다. 이슈-풀 리퀘스트-커밋 추적성(issue--pull-request--commit traceability)과 표적 인간 심사(targeted human adjudication)를 통해 보정된 구현 증거를 사용하여, 13개의 오픈 소스 마이크로서비스 프로젝트에서 866개의 저장소 추적 기능 요청을 재구성하고, 이들의 구현을 검증된 서비스 경계에 매핑했습니다. 크로스 서비스 변경은 101개 요청(11.7%)에서 발생했으며, 특히 더 넓은 구현 흔적과 높은 코드 체ิร์น(code churn)을 보였지만, 리드 타임(lead time)에서는 명확한 차이를 보이지 않았습니다. 구현 전 증거는 프로젝트 간 예측 신호가 제한적이었습니다: 가장 강력한 leave-one-system-out 모델이 프로젝트별 최대 Macro-F1 점수 0.484를 달성했지만, Holm 보정(Holm correction) 후 대부분의 기준선 대비 이점은 유의미하지 않았으며 작은 평가 폴드(evaluation folds)에 민감했습니다. 로컬 LLM은 고전적인 모델보다 신뢰할 수 있는 개선을 제공하지 못했습니다. 다운스트림 작업량(downstream workload)은 학습된 모델이 훈련 폴드 중앙값 기준선(training-fold median baselines)을 일관되게 능가하지 못하기 때문에 추정하기가 훨씬 어렵습니다. 단순한 서비스 언급 휴리스틱(service-mention heuristic) 역시 학습된 범위 분류(scope triage)와 비교할 만한 성능을 보였습니다. 이러한 발견들은 초기 기능 요청 증거가 자동화된 범위 결정이나 정밀한 작업량 추정보다는 가벼운 크로스 서비스 범위 분류에 더 유용하다는 것을 보여줍니다.