基于联邦迁移的跨项目软件缺陷预测OA北大核心CSTPCD
跨项目软件缺陷预测基于已标注的多源项目数据构建模型,可以解决软件历史数据不足和标注代价高的问题.但在传统跨项目缺陷预测中,源项目数据持有者为了保护软件数据的商业隐私,而导致的“数据孤岛”问题直接影响了跨项目预测的模型性能.本文提出基于联邦迁移的跨项目软件缺陷预测方法(FT-CPDP).首先,针对数据隐私泄露和项目间特征异构问题,提出基于联邦学习与迁移学习相结合的模型算法,打破各数据持有者间的“数据壁垒”,实现隐私保护场景下的跨项目缺陷预测模型.其次,在联邦通信过程中添加满足隐私预算的噪声来提高隐私保护水平,最后构建卷积神经网络模型实现软件缺陷预测.基于NASA软件缺陷预测数据集进行实验,结果表明与传统跨项目缺陷预测方法相比,本文提出的FT-CPDP方法在实现软件数据隐私保护的前提下,模型的综合性能表现较优.
宋慧玲;李勇;张文静;
新疆师范大学计算机科学技术学院,新疆乌鲁木齐830054 新疆电子研究所软件事业部,新疆乌鲁木齐830010新疆师范大学计算机科学技术学院,新疆乌鲁木齐830054 新疆电子研究所软件事业部,新疆乌鲁木齐830010 南京航空航天大学高安全系统的软件开发与验证技术工信部重点实验室,江苏南京211106
计算机与自动化
软件缺陷预测联邦学习迁移学习差分隐私卷积神经网络
《南京师大学报（自然科学版）》 2024 (003)
P.122-128 / 7
新疆维吾尔自治区天山青年计划项目(2020Q019);新疆师范大学博士科研启动基金项目(XJNUBS1905).
评论