Page 226 - 《软件学报》2026年第7期
P. 226
软件学报 ISSN 1000-9825, CODEN RUXUEW E-mail: jos@iscas.ac.cn
2026,37(7):2911−2935 [doi: 10.13328/j.cnki.jos.007582] [CSTR: 32375.14.jos.007582] http://www.jos.org.cn
©中国科学院软件研究所版权所有. Tel: +86-10-62562563
*
基于个性化联邦学习的跨项目软件缺陷预测方法
刘子扬 1 , 祝 义 1,2 , 周 湘 1 , 李建豪 1 , 袁春鸿 3 , 郝国生 1
1
(江苏师范大学 计算机科学与技术学院, 江苏 徐州 221116)
2
(高安全系统的软件开发与验证技术工业和信息化部重点实验室 (南京航空航天大学), 江苏 南京 211106)
3
(Faculty of Control Systems and Robotics, Saint Petersburg National Research University of Information Technologies, Mechanics and
Optics, St. Petersburg 197101, Russia)
通信作者: 祝义, E-mail: zhuy@jsnu.edu.cn
摘 要: 针对跨项目软件缺陷预测中数据隐私与项目异构性的双重挑战, 提出一个名为 PRIDE-SDP 的框架. 该框
架的核心贡献在于深度融合了 3 种关键技术: 采用个性化联邦学习范式为每个异构项目定制专属预测模型, 集成
提供严格数学保障的 (ε, δ)-差分隐私机制保护数据不出本地, 并设计了一个专用的时间-上下文融合网络 (temporal-
contextual fusion network, TCFN) 以高效地捕捉软件度量特征. 在覆盖 27 个开源项目和 3 个企业项目的 6 个数据
集组上的实验结果验证了该框架的有效性: 与先进的跨项目缺陷预测基线相比, PRIDE-SDP 平均 AUC 提升
10.7%, F1-score 提升 7.3%; 在企业数据集上表现更加突出, 相较于所有先进的基线方法, MCC 平均提升 45.2%,
Effort@20% 平均提升 29.5%, F1-score 平均提升 35.4%. 同时, 框架在提供较强隐私保障时, 其平均性能保持率仍能
达到最佳性能的 98% 以上, 并且在成员推理攻击实验中能将攻击者的攻击准确率平均降低超过 36%. 实验结果表
明, PRIDE-SDP 在保持高性能的同时, 有效兼顾了隐私保护与个性化适应能力.
关键词: 软件缺陷预测; 个性化联邦学习; 差分隐私; 跨项目缺陷预测
中图法分类号: TP311
中文引用格式: 刘子扬, 祝义, 周湘, 李建豪, 袁春鸿, 郝国生. 基于个性化联邦学习的跨项目软件缺陷预测方法. 软件学报, 2026,
37(7): 2911–2935. http://www.jos.org.cn/1000-9825/7582.htm
英文引用格式: Liu ZY, Zhu Y, Zhou X, Li JH, Yuan CH, Hao GS. Cross-project Software Defect Prediction Method Based on
Personalized Federated Learning. Ruan Jian Xue Bao/Journal of Software, 2026, 37(7): 2911–2935 (in Chinese). http://www.jos.org.cn/
1000-9825/7582.htm
Cross-project Software Defect Prediction Method Based on Personalized Federated Learning
1
1
3
1
1,2
LIU Zi-Yang , ZHU Yi , ZHOU Xiang , LI Jian-Hao , YUAN Chun-Hong , HAO Guo-Sheng 1
1
(School of Computer Science and Engineering, Jiangsu Normal University, Xuzhou 221116, China)
2
(Key Laboratory of Safety-critical Software (Nanjing University of Aeronautics and Astronautics), Ministry of Industry and Information
Technology, Nanjing 211106, China)
3
(Faculty of Control Systems and Robotics, Saint Petersburg National Research University of Information Technologies, Mechanics and
Optics, St. Petersburg 197101, Russia)
Abstract: To address the dual challenges of data privacy and project heterogeneity in cross-project software defect prediction, this study
proposes a framework named PRIDE-SDP. The core contribution of the proposed framework lies in the deep integration of three key
* 基金项目: 国家自然科学基金 (62077029, 62277030); 江苏省教育科学规划 (B-b/2024/01/47); 南京航空航天大学基本科研业务费科研基
地创新基金 (NJ2020022); 江苏师范大学研究生科研创新项目 (2025XKT1437)
本文由“智能化基础软件可信构造和供应链安全”专题特约编辑王林章教授、司徒凌云研究员、钟浩研究员、 向剑文教授、张路教授
推荐.
收稿时间: 2025-09-05; 修改时间: 2025-10-20; 采用时间: 2025-12-08; jos 在线出版时间: 2025-12-26
CNKI 网络首发时间: 2026-06-02
