基于渐进联邦学习的异构软件缺陷预测

来源：计算机工程与应用杂志2026年第13期北京时间：

作者：王爱丽, 冯彦翔, 杨明极, 夏丁, 陈海松, 吴海滨

单位：1.哈尔滨理工大学 测控技术与通信工程学院 黑龙江省激光光谱技术及应用重点实验室，哈尔滨 150080；2.深圳职业技术大学 集成电路学院，广东 深圳 518055；

摘要：为了提高联邦学习在异构软件缺陷预测中的通信效率和隐私安全，创新性地构建双阶段协作优化机制，提出了基于渐进联邦学习的异构软件缺陷预测算法。该算法聚焦于通信和计算资源的利用率，在联邦训练阶段设计渐进训练策略，前期采用浅层子模型训练，随着训练深入逐步恢复模型复杂度，降低通信参数量需求；在联邦通信阶段构建降序量化算法，改进传统量化次序，根据更新范围和训练轮次动态分配量化位数，能够显著提升传输效率并控制模型性能损失。实验结果表明，该方法在跨项目异构场景下的通信效率显著提高，与多种通信优化方法相比，传输参数量最大下降98.03%，训练速度最大提升71.40%。同时，在模型预测性能方面也能处于优势，AUC与G-mean最高能分别达到0.827 9和0.779 1，较FedAvg算法提升约66%，实现了SDP中效率与性能的优化平衡。

关键词：异构软件缺陷预测,联邦学习,通信效率,隐私保护

基金资助：黑龙江省重点研发计划（JD2023SJ19）；黑龙江省自然科学基金（LH2023F034）；深圳职业大学校级科研项目（6025310007K）。