Page 244 - 《软件学报》2026年第7期
P. 244

刘子扬 等: 基于个性化联邦学习的跨项目软件缺陷预测方法                                                    2929


                                               表 4    成员推理攻击实验结果       (续)

                   分组      项目     Vanilla FL攻击准确率 PRIDE-SDP攻击准确率 攻击准确率降低幅度 (%) 防御成功率 (%) 隐私增益
                         synapse-1.2   0.464 7           0.31             33.3           69.00     0.155
                 PROMISE   tomcat      0.512 2           0.32             37.5           68.00     0.192
                          Xalan-2.4    0.631 3           0.38             39.8           62.00     0.251
                           Apache      0.510 3          0.335             34.4           66.50     0.175
                  ReLink    Safe       0.696 4           0.42             39.7           58.00     0.276
                           ZXing       0.556 9          0.345             38.1           65.50     0.212
                 注: 加粗数字表示PRIDE-SDP的攻击准确率低于对应项目的Vanilla FL攻击准确率
                    攻击准确率是衡量隐私泄露风险的核心指标. 在所有                  27  个项目上, 针对  Vanilla FL  模型的攻击准确率普遍较
                 高 (范围在  0.407 4–0.696 4  之间), 在许多项目上 (如  JDT、Safe、JM1  等) 均显著超过了   0.5  的随机猜测基线, 这表
                 明  Vanilla FL  存在明显的隐私泄露风险.
                    相比之下, 应用了差分隐私保护的           PRIDE-SDP  模型, 其攻击准确率被显著压低 (范围在         0.275–0.42  之间). 值得
                 注意的是, 该数值显著低于        0.5  的随机基线, 这表明框架引入的差分隐私噪声对原始特征分布产生了极强的扰动与
                 掩盖效应, 导致攻击模型产生了系统性的判断偏差. 在缺乏高质量校准数据的工业界黑盒攻击场景下, 这种“反向误
                 导”使得攻击者不仅无法正确识别成员, 反而极易将训练集成员误判为非成员, 从而实现了具备高度欺骗性的防御效
                 果. 例如, 在  ReLink 数据集组的  Safe 项目上, 攻击准确率从     0.696 4 急剧下降至  0.42, 有效破坏了攻击者的推断逻辑.
                    攻击准确率降低幅度指标直观地量化了              PRIDE-SDP  的防御强度. 实验结果显示, 本框架能够将成员推理攻击
                 的准确率平均降低       35%  以上. 在所有项目中, 该指标的最小值为          32.5% (EQ  项目), 最大值达到了   41.8% (MC1  项
                 目). 这证明了   PRIDE-SDP  的隐私保护机制具有普遍且强大的有效性.
                    在所有实验中, 隐私增益均保持在           0.2  左右, 意味着  PRIDE-SDP  相较于  Vanilla FL  提供了非常可观的绝对隐
                 私保护提升. 防御成功率也普遍达到了            60%  以上, 这表明本框架在抵御此类攻击方面取得了很高的成功率.
                    ● RQ4: PRIDE-SDP  框架中所使用的深度学习模型相较于其他基线模型是否更合适?
                    该研究问题旨在论证时间-上下文融合网络 (TCFN) 在个性化联邦学习框架中的协同性, 而非单纯追求其在独
                 立模型下的性能优势. TCFN 的设计初衷在于以轻量化的方式融合两者优势, 旨在强化局部特征表征和上下文一
                 致性, 从而提升模型在联邦学习中的特征表达能力和泛化性能.
                    如表  5 所示约 80% 的总体胜率, 反映出这种表征增强在联邦优化中的实际贡献. 更进一步地, TCFN 的结构
                 与 PRIDE-SDP 的“全局-个性化”双目标机制形成功能互补: Transformer 模块强化全局共享表征, 而 LSTM 与全连
                 接层部分在近端正则约束下具备更高可塑性, 可在本地快速适应个体化数据分布, 实现知识迁移与个性化收敛的
                 协同优化.

                                 表 5 TCFN  模型相较于基线模型的胜/负统计 (基于            AUC  和  F1-score)

                            对比模型      MDP     GitHub-Python  ReLink  AEEEM    PROMISE     总计
                             CNN       2/0        1/1        2/0       2/0       2/0      9/1
                             LSTM      2/0        1/1        2/0       2/0       1/1      8/2
                             DBN       2/0        2/0        2/0       2/0       2/0      10/0
                            BiLSTM     2/0        0/2        1/1       2/0       1/1      6/4
                             GRU       2/0        1/1        2/0       1/1       1/1      7/3
                             GNN       2/0        2/0        2/0       2/0       2/0      10/0

                    尽管 TCFN 与 BiLSTM 的平均性能差距约为 1%, 但该优势主要集中在包含显著时间演化特征的数据集上,
                 表明时间-上下文融合在长时依赖场景下具备更高稳定性. 此外, 在异构客户端环境中, TCFN                           在不同数据集上保
                 持了最高的一致性与鲁棒性          (如表  6  所示), 有效缓解了因局部分布极端而导致的全局模型震荡问题. 因此, TCFN
                 的价值不仅体现在数值性能的微幅提升, 更在于其在联邦个性化场景下提供稳定迁移能力与结构协同的理论与实
                 践意义.
   239   240   241   242   243   244   245   246   247   248   249