컴퓨터 과학에서 견고성(robustness)은 컴퓨터 시스템이 실행 중 오류에 대처하고 잘못된 입력을 처리하는 능력이다. 이는 견고한 프로그래밍, 견고한 기계 학습, 견고한 네트워크 설계 등 여러 영역을 포함한다. 퍼징 테스트와 같은 공식적인 기법은 유효하지 않거나 예상치 못한 입력으로 테스트하는 것을 포함하므로 견고성을 입증하는 데 필수적이다. 대안으로, 의도적인 결함 주입을 사용하여 견고성을 테스트할 수 있으며, 다양한 상용 제품이 소프트웨어 분석의 견고성 테스트를 수행한다.
가능한 모든 실패 지점을 포괄하는 견고한 시스템을 구축하는 것은 가능한 입력과 입력 조합의 수가 방대하기 때문에 어렵다. 모든 경우를 철저히 테스트하는 것은 비현실적이므로 개발자는 테스트 사례를 일반화한다. 예를 들어, 정수 입력을 테스트할 때 개발자는 전체 실수 집합을 대표하기 위해 음수, 0, 양수를 선택할 수 있다. 이 방법은 더 효율적이지만 실패 가능성이 더 높다. 테스트 사례를 일반화하는 것은 잘못된 사용자 입력으로 인한 실패를 처리하는 한 가지 기법이지만, 시스템은 네트워크 연결 끊김과 같은 다른 이유로도 실패할 수 있다. 그럼에도 불구하고 복잡한 시스템은 모든 오류를 우아하게 처리해야 하며, 가장 견고한 시스템 중 일부는 진화 가능하고 새로운 상황에 쉽게 적응할 수 있다.
견고성 달성의 과제
프로그램과 소프트웨어는 일반적으로 특정 작업에 초점을 맞춘 도구이므로, 환경에 적응하는 인터넷이나 생물학적 시스템과 같은 시스템보다 일반화되고 유연성이 떨어진다. 생물학적 시스템이 적응을 달성하는 한 가지 방법은 중복성이다. 예를 들어, 인간은 일반적으로 하나의 신장만 필요하지만, 두 번째 신장이 있으면 실패 여지를 제공한다. 이 원칙은 소프트웨어에 적용될 수 있지만 과제가 있다. 맹목적으로 코드를 추가하는 것은 더 많은 오류를 도입하고 복잡성을 증가시키며 시스템을 이해하기 어렵게 만들기 때문에 권장되지 않는다. 새 코드는 동등한 기능을 가져야 하며, 한 기능이 중단되면 다른 기능이 이를 대체할 수 있어야 하며, 수동 또는 자동화된 소프트웨어 다양성을 사용해야 한다. 이는 실패 지점을 수용하는 방법과 시기를 알기 위한 추가 논리가 필요하므로 시스템 복잡성이 증가한다. 개발자는 중복성과 복잡성 사이의 균형을 맞춰야 한다. 현재 컴퓨터 과학 관행은 견고한 시스템을 구축하기보다는 확장성과 효율성에 초점을 맞추는 경향이 있으며, 그 이유 중 하나는 견고성을 일반적인 방식으로 달성하기 어렵기 때문이다.
견고한 프로그래밍
견고한 프로그래밍은 예상치 못한 종료와 예상치 못한 동작을 우아하게 처리하는 데 초점을 맞춘 스타일로, 사용자가 프로그램을 디버깅하는 데 도움이 되는 정확하고 모호하지 않은 오류 메시지를 표시한다. 이는 여러 원칙에 따라 안내된다:
- 편집증(Paranoia): 프로그래머는 사용자가 코드를 망가뜨리려 한다고 가정하고 자신의 코드도 실패하거나 잘못 작동할 수 있다고 가정한다.
- 어리석음(Stupidity): 프로그래머는 사용자가 잘못되고, 가짜이며, 잘못된 형식의 입력을 시도할 것이라고 가정한다. 결과적으로 프로그래머는 오류 코드를 조회할 필요가 없는 모호하지 않고 직관적인 오류 메시지를 반환하며, 오해를 불러일으키지 않으면서 가능한 한 정확하게 하려고 한다.
- 위험한 도구(Dangerous implements): 사용자는 라이브러리, 데이터 구조 또는 데이터 구조에 대한 포인터에 접근할 수 없어야 한다. 이 정보는 우발적인 수정으로 인해 버그가 도입되는 것을 방지하기 위해 숨겨져야 한다. 인터페이스가 올바르게 구축되면 사용자는 허점을 찾지 않고 인터페이스를 사용하며 자신의 코드에만 집중한다.
- 불가능(Can't happen): 코드 수정은 "불가능한" 경우가 발생할 가능성을 도입할 수 있다. 이러한 경우는 매우 가능성이 낮은 것으로 가정되며, 개발자는 이에 따라 처리를 구현한다.
견고한 기계 학습
Machine learning에서의 견고성은 일반적으로 알고리즘의 안정성을 의미한다. 기계 학습 알고리즘이 견고한 것으로 간주되려면 테스트 오류가 훈련 오류와 일치하거나 데이터 세트에 노이즈를 추가한 후에도 성능이 안정적으로 유지되어야 한다. Deep learning의 부상과 함께 신경망의 견고성에 대한 관심이 증가하고 있으며, 특히 적대적 공격에 대한 취약성 때문이다. 이 분야의 연구는 종종 모델이 섭동된 입력으로 훈련되어 회복력을 향상시키는 적대적 훈련과 같은 기법을 포함한다. 이 분야는 적대적 견고성을 연구한 Aleksander Madry와 오류 정정 출력 코드와 견고한 학습을 탐구한 Thomas G. Dietterich와 같은 연구자들의 작업과 관련이 있다.
견고한 네트워크 설계
견고한 네트워크 설계는 가변적이거나 불확실한 수요에 직면하여 네트워크를 설계하는 연구이다. 소프트웨어 설계와 유사하게, 네트워크 설계에서의 견고성은 변화나 입력의 가능성이 방대하기 때문에 광범위하다. 이는 다양한 트래픽 조건이나 실패 상황에서 성능과 연결성을 유지할 수 있는 네트워크를 만드는 것을 포함한다. 이 영역은 가변 부하와 잠재적인 하드웨어 실패에도 불구하고 안정적인 서비스를 보장해야 하는 Amazon Web Services, Microsoft Azure, Google Cloud와 같은 클라우드 인프라 제공업체와 관련이 있다.
견고한 알고리즘
입력의 오류를 허용하는 알고리즘이 존재한다. 이러한 알고리즘은 입력 데이터에 노이즈, 이상값 또는 기타 부정확성이 포함되어 있어도 올바르거나 허용 가능한 출력을 생성하도록 설계되었다. 이는 실제 세계 데이터가 종종 불완전한 컴퓨터 비전 및 신호 처리와 같은 분야에서 특히 중요하다. 견고한 알고리즘은 이상값을 식별하고 가중치를 낮추기 위해 통계적 방법을 사용하거나, 견고한 프로그래밍의 원칙과 유사하게 중복성을 염두에 두고 설계될 수 있다.
같이 보기
- 결함 허용
- 방어적 프로그래밍
- 비기능 요구사항