软件学报

作者：刘子扬，祝义，周湘，李建豪，袁春鸿，郝国生

单位：刘子扬，江苏师范大学 计算机科学与技术学院, 江苏 徐州 22111611,祝义，江苏师范大学 计算机科学与技术学院, 江苏 徐州 221116;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 21110602,周湘，江苏师范大学 计算机科学与技术学院, 江苏 徐州 22111603,李建豪，江苏师范大学 计算机科学与技术学院, 江苏 徐州 22111604,袁春鸿，圣彼得堡国立信息技术、机械学与光学研究型大学(圣光机) 计算机技术与控制学院, 俄罗斯 圣彼得堡 19710105,郝国生，江苏师范大学 计算机科学与技术学院, 江苏 徐州 22111606

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

基金：国家自然科学基金(62077029,62277030); 江苏省教育科学规划重点项目(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)

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,本文提出一个名为PRIDE-SDP的创新框架.该框架的核心贡献在于深度融合了三种关键技术：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（TCFN）以高效捕捉软件度量特征.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验证了本框架的有效性：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,相比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.

来源：2026年第7期

《软件学报》期刊编辑部

查看软件学报杂志2026年第7期