길리랩blog

결함밀도와 DRE로 릴리스 품질 흐름 관리하기

결함밀도, 유입·유출, DRE와 유출률을 함께 해석해 릴리스 품질과 결함 처리 흐름을 관리하는 방법을 정리한다.

2026-08-14 · 최초 발행 2025-12-23

결함 수보다 결함의 흐름을 함께 봐야 한다

소프트웨어 품질을 정량적으로 관리하려면 결함 수 하나만으로는 부족하다. 코드 규모에 비례해 결함이 어느 정도인지, 새 결함이 해결되는 속도보다 빠르게 쌓이는지, 프로덕션 전에 얼마나 제거했는지를 함께 봐야 릴리스 품질과 리스크 노출을 파악할 수 있다.

결함밀도, 결함 유입·유출, DRE(Defect Removal Efficiency)는 이 관점을 구성하는 대표 지표다.

코드 규모에 맞춰 보는 결함밀도

결함밀도는 단위 규모당 발견된 결함 수를 나타내는 비율 지표다. KLOC(천 라인)나 FP(Function Point)를 기준으로 사용하며, 모듈·서비스·릴리스 사이의 결함 수준을 비교할 때 적합하다.

결함밀도 = 발견 결함 수 ÷ 코드 규모(KLOC)

백로그 변화를 드러내는 유입과 유출

유입은 일정 기간 새로 등록된 결함, 유출은 같은 기간 해결 또는 종결된 결함을 뜻한다. 주간·스프린트·릴리스 단위로 두 흐름을 집계하면 결함 백로그가 늘어나는지 줄어드는지와 처리능력의 적합성을 확인할 수 있다.

유출은 프로덕션 이전에 해결된 결함과 프로덕션으로 빠져나간 결함을 분리해 관리해야 한다. 이 구분이 DRE와 유출률 해석의 기반이 된다.

사전 제거율과 프로덕션 유출률

DRE는 프로덕션 전에 제거한 결함이 전체 결함에서 차지하는 비율이다.

DRE = 사전 제거 결함 수 ÷ 전체 결함 수

전체 결함 수는 사전 제거 결함과 프로덕션에서 발견된 결함의 합이다. 유출률은 1 − DRE로 계산한다. 예를 들어 DRE가 92%면 유출률은 8%다.

지표가 비교 가능해지는 조건

결함 메트릭은 산식보다 측정 규칙에 더 크게 좌우된다. LoC와 FP 중 어떤 규모 단위를 쓸지, 다언어 코드·생성 코드·설정형 시스템을 포함할지 먼저 정해야 한다. 릴리스, 모듈, 팀마다 관측창(Window)도 동일하게 적용해야 비교가 가능하다.

중복 티켓, 재현되지 않는 항목, 기능개선 요청처럼 결함이 아닌 항목을 제외하는 규칙도 필요하다. 심각도(Severity)와 우선순위의 매핑 기준, 결함 기원(Origin), 검출 단계(Phase) 라벨의 정확성은 DRE와 유출 분석의 신뢰도를 결정한다.

주기별 유입·유출 추세에는 SPC(통계적 공정관리) 기법을 적용해 이상치와 변동성을 감지할 수 있다. 이슈 트래커(Jira 등), SCM, CI/CD, 로그·관측 데이터를 연결하면 집계를 자동화할 수 있으며, 결함-릴리스 링크, 커밋-이슈 키, 배포 태그는 추적성을 강화한다.

릴리스 게이트에는 DRE ≥ 90~95% 같은 기준을 둘 수 있고, SLA나 벤더 관리 지표로도 활용할 수 있다. 테스트 자동화, 코드 리뷰, 정적 분석에 투자한 효과 역시 이 지표들의 변화로 측정할 수 있다.

릴리스와 개선 루프에 연결하는 방식

릴리스 직전에는 DRE 하한 충족 여부와 결함밀도 임계값을 게이트 조건으로 사용해 출고 연기 여부를 판단할 수 있다. 주간 유입·유출 추세는 백로그 관리와 인력·우선순위 조정에 쓰인다.

프로덕션으로 유출된 결함은 어느 검출 단계에서 놓쳤는지 분석해 테스트 설계와 커버리지를 보완하는 근거가 된다. 모듈별 결함밀도와 유출률은 벤더 SLA의 페널티·인센티브에도 연동할 수 있다. 리그레션 자동화 도입 전후의 DRE와 유출률을 비교하면 자동화 투자 효과를 검증할 수 있다.

입력 데이터는 이슈 트래커의 결함 티켓, 코드 규모(LoC/FP), 릴리스 캘린더로 구성한다. 중복과 오분류를 정리하고 심각도를 매핑한 뒤 릴리스·모듈 라벨을 보정해 지표를 계산한다. 결과는 대시보드와 알림·게이트에 전달하고, 개선 과제를 뽑아 다시 품질 활동으로 연결한다.

누락된 라벨은 Unassigned로 임시 분류한 뒤 정정 큐에 적재한다. 릴리스 링크가 없으면 커밋 태그와 배포 로그로 역추적하고, 비결함 이슈는 유형을 재분류한 뒤 집계에서 제외한다.

⤢✕검증/스키마 검사정제 데이터지표 산출물회귀 분석/근본원인 파악입력: '이슈 트래커', '코드 라인수(LoC)', '릴리스 캘린더'처리: '정규화/중복제거','심각도 매핑', '릴리스 라벨보정'계산: '결함밀도', '유입/유출','DRE/유출률'출력: '대시보드', '알림/게이트'피드백: '개선 항목(원인/액션)'

이 흐름을 통해 프로덕션 유출 결함은 2040% 감소하고, 평균 복구 시간(MTTR)은 1025% 단축되며, 릴리스 롤백률은 15% 이상 감소할 수 있다. 품질 책임의 경계를 분명히 하고 의사결정 속도와 프로세스 학습 루프를 강화하는 효과도 있다.

목적에 따라 달라지는 지표 해석

지표 해석 용이성 선행/후행성 일관성 안정성(변동 저감) 운영 편의
결함밀도 높음(단위 명확) 후행성(릴리스 종속) 단위 정의에 좌우 릴리스 단위로 안정 코드 규모 수집 필요
유입/유출 높음(흐름 직관) 선행·동행 혼재 워크플로우 일관성 필요 주간 변동 큼 자동화 용이
DRE/유출률 중간(정의 숙지 필요) 후행성(유출 관측 필요) 단계 라벨 정확성 요구 릴리스 주기별 안정 프로덕션 피드백 필요

계산값에서 확인할 수 있는 품질 신호

다음 조건을 가정한다.

  • 코드 규모: 50 KLOC
  • 사전 발견 결함: 120건
  • 프로덕션 발견 결함: 30건
  • 주간 유입: 80건, 주간 유출: 70건

계산 결과는 다음과 같다.

  • 결함밀도 = 120 ÷ 50 = 2.4 결함/KLOC
  • 전체 결함 = 120 + 30 = 150건
  • DRE = 120 ÷ 150 = 0.8 = 80%
  • 유출률 = 1 − 0.8 = 20%
  • 백로그 순증 = 80 − 70 = +10건

결함밀도 2.4/KLOC는 과거 벤치마크와 비교해야 의미가 생긴다. DRE 80%는 목표 90%에 미달하므로 프로덕션 유출 위험이 증가한 상태다. 백로그가 +10건 늘었다면 처리능력을 보강하거나 유입을 억제할 필요가 있다.

집계 파이프라인 구현 예시

전제조건은 다음과 같다.

  • 데이터: issues(id, type, severity, created_at, closed_at, found_phase, release_tag)
  • DB: PostgreSQL 13+
  • Python: 3.11, pandas 2.x

주간 유입·유출을 집계하는 SQL이다.

-- 주간 유입/유출 및 순증
WITH weeks AS (
  SELECT date_trunc('week', d)::date AS week_start
  FROM generate_series(CURRENT_DATE - interval '90 days', CURRENT_DATE, interval '7 days') AS g(d)
)
SELECT
  w.week_start,
  COUNT(CASE WHEN i.type = 'bug' AND i.created_at >= w.week_start AND i.created_at < w.week_start + interval '7 days' THEN 1 END) AS influx,
  COUNT(CASE WHEN i.type = 'bug' AND i.closed_at  >= w.week_start AND i.closed_at  < w.week_start + interval '7 days' THEN 1 END) AS outflux,
  COUNT(CASE WHEN i.type = 'bug' AND i.created_at >= w.week_start AND i.created_at < w.week_start + interval '7 days' THEN 1 END)
  - COUNT(CASE WHEN i.type = 'bug' AND i.closed_at  >= w.week_start AND i.closed_at  < w.week_start + interval '7 days' THEN 1 END) AS net_change
FROM weeks w
LEFT JOIN issues i ON (i.created_at >= w.week_start - interval '7 days' AND i.created_at < w.week_start + interval '14 days')
GROUP BY 1
ORDER BY 1;

릴리스별 결함밀도와 DRE를 계산하는 Python 예시다.

import pandas as pd

# 입력: issues.csv(필드: type, found_phase[pre,prod], release_tag), releases.csv(필드: release_tag, kloc)
issues = pd.read_csv('issues.csv')
releases = pd.read_csv('releases.csv')

bugs = issues.query("type == 'bug'")
agg = bugs.pivot_table(index='release_tag',
                       columns='found_phase',
                       values='type',
                       aggfunc='count',
                       fill_value=0).rename(columns={'pre':'pre_defects','prod':'prod_defects'})
df = releases.merge(agg, on='release_tag', how='left').fillna(0)
df['defect_density'] = df['pre_defects'] / df['kloc'].replace(0, pd.NA)
df['total_defects'] = df['pre_defects'] + df['prod_defects']
df['DRE'] = df['pre_defects'] / df['total_defects'].where(df['total_defects']>0, 1)
df['escape_rate'] = 1 - df['DRE']
print(df[['release_tag','kloc','defect_density','DRE','escape_rate']].round(3))

지표 운영에서 생기는 선택과 비용

코드 규모는 언어와 생성 코드의 포함 여부를 명시하고, 서비스별 LoC 산출을 자동화하는 방식이 적합하다. KLOC는 단순하지만 FP는 비교의 공정성을 높이는 대신 산정 비용이 증가할 수 있다.

발견 단계와 기원을 필수 라벨로 두고 워크플로우 자동 전이 규칙을 정의하면 데이터 품질을 높일 수 있다. 반면 강제 라벨링은 입력 부담을 키운다.

Sev 가중 결함밀도를 병행 보고하는 방법도 있다. 예를 들어 치명=5, 경미=1로 가중치를 둘 수 있지만, 가중치 자체에 대한 논쟁이 생길 수 있으므로 조직 합의가 필요하다.

릴리스 게이트에는 DRE 하한과 핵심 시나리오 품질 조건을 함께 적용할 수 있다. 출고 지연 리스크와 프로덕션 안정성 향상 사이의 선택이 필요하다. 중복 탐지, 비결함 재분류, SLA 내 정정 프로세스는 운영 비용을 늘리지만 오탐·미탐을 줄여 장기 효익을 확보하는 기반이 된다.

결함 메트릭결함밀도DRE소프트웨어 품질릴리스 관리