Page 247 - 《软件学报》2026年第7期

2932 软件学报 2026 年第 37 卷第 7 期

线方法的实现与超参数设置均严格遵循其原始文献. 然而, 其性能可能仍受实现细节或未达最优参数的影响. 此
外, 本文提出的 PRIDE-SDP 框架的实现亦可能存在未察觉的缺陷. 为缓解此类威胁, 本文采用以下策略: 首先, 所
有基线模型均基于其官方或广泛认可的公开实现进行复现, 关键超参数与原文保持一致. 其次, PRIDE-SDP 框架
的核心组件均采用经过充分验证的成熟模块构建, 其超参数设置综合了领域内最佳实践与初步调优结果.
6.3 外部有效性
● 联邦学习环境简化带来的泛化性限制
本文的联邦学习实验主要在模拟环境中进行, 其设定相对简化: 客户端数量有限 (5 个), 且网络条件处于理想
状态. 然而, 实际联邦学习部署往往涉及更多参与方、更复杂的网络环境以及更频繁的客户端掉线等问题, 这可能
影响本文成果的泛化性. 为降低这一外部有效性威胁, 本文设计了容错机制与异步更新策略, 并通过通信效率分析
初步验证了方法在真实网络环境中的可行性. 未来工作将通过在更大规模的真实环境中部署, 进一步验证方法的
鲁棒性.
● 跨组织协作的现实约束
本文假设参与联邦学习的组织之间能够建立必要的信任关系与技术协调机制. 但实际上, 跨组织协作可能面
临法律、商业或技术层面的额外障碍, 这些因素可能限制本文结论的直接推广. 为部分应对这一问题, 本文通过企
业内跨项目协作场景的实验验证了方法的有效性, 这为扩展到跨组织场景提供了初步依据. 同时, 所引入的差分隐
私机制有助于降低数据泄露风险, 缓解参与方对隐私的担忧, 从而为实际协作的建立提供技术支持. 未来研究将探
索在更复杂协作约束下的适用性.

7 总 结
本文针对跨项目软件缺陷预测中长期存在的数据隐私和项目异构性挑战, 提出了一种名为 PRIDE-SDP 的个
性化联邦学习框架. 该框架通过深度融合个性化联邦学习算法、差分隐私机制以及专为软件度量数据设计的时间-
上下文融合网络, 实现了在不共享原始数据的前提下, 安全、高效地进行跨项目缺陷预测.
本文的主要贡献和发现如下.
(1) 性能优越性: 在涵盖 27 个项目的 5 个公开数据集上的广泛实验表明, 与传统机器学习、集成学习和多种
先进的 CPDP 基线方法相比, PRIDE-SDP 在 AUC、F1-score 等关键指标上均表现出显著优势, 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%, 充分验证了其在工业环境中的实用价值.
(2) 隐私与效用的平衡: 通过对不同隐私预算 (ε) 的敏感性分析, 本文揭示了模型性能与隐私保护强度之间的
权衡关系. 结果表明, PRIDE-SDP 能够在提供较强隐私保障的同时, 其平均性能保持率仍能达到最佳性能的 98%
以上, 为实际应用中的隐私配置提供了实证依据.
(3) 隐私保护的有效性: 通过成员推理攻击实验验证, PRIDE-SDP 相较于无隐私保护的传统联邦学习, 能够将
攻击者的攻击准确率平均降低超过 36%, 显著增强了对训练数据隐私的保护能力.
(4) 工业适用性验证: 在企业级软件缺陷数据集上的实验证明了 PRIDE-SDP 框架具备满足工业界实时应用需
求的推理性能, 单样本推理延迟控制在 1 ms 以内, 吞吐量超过 20 000 sps, 模型大小仅为 0.38 MB, 体现了较高的部
署效率与应用可行性.
尽管 PRIDE-SDP 取得了较为理想的结果, 本文仍存在若干局限, 也为后续研究提供了方向. 首先, 尽管已在企
业级数据集上验证了其工业适用性, 但所用数据集规模有限、项目类型相对单一, 未来需在更大规模、更多样化
的工业场景中进一步验证模型的泛化能力. 其次, 当前采用的高斯机制仅为差分隐私实现的一种方式, 后续可探索
其他隐私增强技术 (如拉普拉斯机制、梯度裁剪优化或隐私放大策略), 以在同等隐私预算下提升模型效用. 此外,
本文仅通过成员推理攻击评估隐私保护效果, 未来可引入模型反演、属性推理等更强攻击模型, 构建更全面的隐
私风险评估体系. 最后, 将本框架拓展至即时缺陷预测、语句级缺陷定位等更细粒度的软件质量保障任务, 有望构