Page 245 - 《软件学报》2026年第7期

2930 软件学报 2026 年第 37 卷第 7 期

表 6 各深度学习模型在不同数据集组上的性能对比 (AUC/F1-score)

数据集组 TCFN CNN LSTM DBN BiLSTM GRU GNN
MDP 0.758 1/0.630 0.671 2/0.562 1 0.703 4/0.591 9 0.682 1/0.575 0.735 8/0.614 1 0.728 1/0.609 3 0.665 3/0.551 9
GitHub-Python 0.672 5/0.543 2 0.635 8/0.545 4 0.658 1/0.548 8 0.641 5/0.528 6 0.675 2/0.551 1 0.665 2/0.549 7 0.629 2/0.511 1
ReLink 0.711 6/ 0.625 7 0.655 4/0.581 3 0.689/0.605 9 0.670 3/0.590 7 0.702 7/0.628 9 0.698 9/0.615 5 0.648 3/0.572 5
AEEEM 0.712 2/0.635 3 0.660 1/0.577 6 0.685 1/0.601 3 0.673 2/0.589 1 0.705 3/0.622 9 0.699 8/0.638 1 0.652 1/0.563 4
PROMISE 0.741 9/ 0.662 2 0.688/0.603 8 0.715 8/0.663 7 0.697 5/0.612 4 0.732 4/0.665 3 0.725 3/0.664 1 0.681 3/0.595 7
注: 加粗数字表示各数据集上AUC与F1-score指标的最佳性能值

● RQ5: PRIDE-SDP 框架是否适合工业界实际应用?
为评估 PRIDE-SDP 框架在工业环境中的实用性, 本文从推理效率、系统资源消耗、通信开销和部署复杂度
等多个维度进行了综合分析. 选择的 12 个项目涵盖了全部学术界开源数据集中 90% 的规模范围 (125–26 360 个
样本), 覆盖了 7%–44% 的缺陷率范围, 代表了不同质量水平的软件项目, 包含了 3 种主要编程语言和 6 种不同的
应用领域, 所选项目均为实际使用的开源软件, 具有真实的工业应用价值.
实验结果表明, PRIDE-SDP 框架具备了满足工业界实时应用需求的推理性能. 由表 7 可知, 在采用批处理
(Batch size = 32) 的高并发模式下, 模型在各规模数据集上的批次推理延迟均控制在 1 ms 内. 折算后, 单样本的平
均推理耗时仅约为 0.02–0.03 ms, 这一响应速度比传统方法的秒级延迟提升了数个数量级. 即使在大规模项目 (如
Django, 26 360 个样本) 中, 处理一个完整批次的延迟仅为 0.89 ms, 展现了框架优异的可扩展性.

表 7 PRIDE-SDP 框架工业界适用性评估指标

数据集组 项目 样本数 推理延迟 (ms) 吞吐量 (sps) 模型大小 (MB) 通信量 (MB)
EQ 324 0.95 34 068.3 0.38 3.87
AEEEM JDT 997 0.9 33 244.6 0.38 3.87
PDE 1 497 0.91 34 123.4 0.38 3.87
Django 26 360 0.89 33 335.7 0.38 3.87
GitHub-Python
nova 26 313 0.84 33 338.3 0.38 3.87
CM1 505 0.8 34 584.9 0.38 3.87
MDP JM1 10 878 0.82 36 581.3 0.38 3.87
KC1 2 107 0.88 35 265.3 0.38 3.87
ant-1.3 125 0.84 20 100.2 0.38 3.87
camel-1.6 965 0.86 37 410.8 0.38 3.87
PROMISE
jedit-4.1 312 0.83 37 463.6 0.38 3.87
log4j-1.2 205 0.81 35 607.4 0.38 3.87

吞吐量方面, 系统在各项目上均实现了超过 20 000 sps (samples per second) 的处理能力, 值得注意的是, 即使
在样本量极小 (仅 125 个) 导致 GPU 计算流水线未被充分填充的 ant-1.3 项目中, 吞吐量仍维持在 20 000 sps 以上
的量级; 而在数据充足的项目中, 多个项目的吞吐量更是达到了 35 000 sps 以上的高水平. 该性能可有效支撑大规
模软件项目的批量缺陷检测任务, 匹配持续集成/持续部署 (CI/CD) 环境对海量代码快速反馈的核心需求.
模型大小的轻量化设计使 PRIDE-SDP 具备了良好的部署友好性. 统一的 0.38 MB 模型大小确保了框架能够
在资源受限的边缘设备上运行, 这对于需要本地部署以保护数据隐私的企业环境尤为重要. 相较于动辄几十 GB
的大模型, PRIDE-SDP 的轻量化特性显著降低了硬件门槛和部署成本.
联邦学习架构中的通信效率是决定实用性的关键因素. 实验结果显示, 每轮联邦学习的通信量稳定在 3.87 MB,
这一数值在企业内网环境下完全可接受. 按照典型的企业网络带宽 (100 Mb/s), 单轮参数传输耗时不超过 1 s, 即使
在 50 轮训练的完整流程中, 总通信时间也在可控范围内.
更重要的是, PRIDE-SDP 采用的差分隐私机制和梯度压缩技术进一步优化了通信效率. 相较于传统的原始数
据传输方案, 联邦学习范式下的通信量减少了数个数量级, 这对于跨企业、跨部门的协作场景具有重要意义.
为进一步验证 PRIDE-SDP 在工业环境中的实际效果, 本文在企业数据集上进行了跨项目缺陷预测实验. 考虑