科研之友
微信
新浪微博
Facebook
分享链接
摘要
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。
- 单位
