유스케이스 플로우는 요구사항 분석, 아키텍처 및 상세 설계, 테스트 케이스 생성 등 후속 소프트웨어 엔지니어링 활동을 지원하기 때문에 유스케이스 모델링의 중요한 요소입니다. 하지만 이를 수동으로 구축하는 것은 비용이 많이 들고 전문 지식이 필요하며, 기존의 자동화된 접근 방식들은 특히 분기점(branch points) 식별 및 대체 플로우 생성 시 경우에 의미론적 일관성(semantic consistency), 제어 흐름 논리(control-flow logic), 데이터 흐름 논리(data-flow logic), 그리고 의도된 시스템 경계(intended system boundary)를 보존하는 데 어려움을 겪습니다. 이러한 문제를 해결하기 위해, 우리는 완전한 유스케이스 플로우 구축을 위한 FlowGen을 제안합니다. FlowGen은 LLM 기반의 Semantic Information Processing (SIP)을 사용하여 의미론적 요소를 추출하고, 향상된 R-GAT으로 인코딩된 Semantic Relational Graph (SRG)를 구성하여 기본적인 플로우 생성(BFGen)을 수행하며, 나아가 BPP를 통해 분기점 예측(branch point prediction)을 지원하고 AFGen을 통해 분기 조건이 부여된 대체 플로우 생성을 지원합니다. 13개의 공개 데이터셋과 7개의 산업 데이터셋에 대한 평가 결과, FlowGen은 세 가지 핵심 구성 요소 모두에서 경쟁적인 베이스라인보다 일관되게 우수한 성능을 보였습니다. 특히 BFGen은 정밀도(Precision)에서 최고 베이스라인 대비 14%, 재현율(Recall)에서 7-25%, F1 점수에서 11-30%, AUC에서 10-19% 향상을 보였으며, BPP는 정밀도를 30-110%, 재현율을 33-91%, F1 점수를 32-117% 향상시켰습니다. 또한 AFGen은 정밀도에서 8-23%, F1 점수에서 5-18%, AUC에서 0.6-2.5%의 향상을 보였습니다. 더욱이, 우리는 LLM 기반 SIP 모듈과 BFGen에서의 어텐션 보존 계수(attention preservation factor)의 효과를 검증하고, 요구사항 완전성(requirement completeness)이 BFGen에 미치는 영향을 분석하며, 분기 관련 컨텍스트의 다양한 범위가 AFGen에 어떻게 영향을 미치는지 조사했습니다.