公开(公告)号：CN119312155A

公开(公告)日：2025-01-14

申请号：CN202411310183.7

申请日：2024-09-19

Applicant: 哈尔滨理工大学

Inventor： 王爱丽 ,  夏丁 ,  冯彦翔 ,  姚一鸣 ,  李福玲 ,  吴海滨

IPC: G06F18/241 ,  G06F18/214 ,  G06F18/211 ,  G06N3/0464 ,  G06N3/094 ,  G06N3/098 ,  G06F11/3668

Abstract: 本发明属于联邦学习与软件缺陷预测技术领域，具体涉及一种基于联邦学习的高鲁棒性异构软件缺陷预测算法。该算法首先利用Tomek links和单边选择(One‑Side Selection,OSS)算法对参与方本地数据进行预处理，缓解类不平衡问题；通过卡方检验选出代表性特征子集，统一各参与方数据的特征数量。各参与方构建本地卷积神经网络，将数据划分为训练集和测试集。通过引入客户端置信度重新加权(Client Confidence Reweighting，CCR)和改进的Bootstrap Loss损失函数，增强模型在标签噪声条件下的鲁棒性，并通过KL散度进行知识交换，降低通信开销，提高模型性能。最终，模型经过训练和验证，实现了高效精准的软件缺陷预测，有效应对数据异构性和标签噪声问题，提升了预测精度和效率。