一种面向软件缺陷预测融合自适应筛选的个性化联邦学习方法

本发明涉及一种面向软件缺陷预测融合自适应筛选的个性化联邦学习方法，该方法基于深度学习MLP模型构建“特征提取器+分类器”分层架构，依托个性化联邦学习框架实现多客户端协作训练：让客户端上传模型参数，通过双筛选机制筛选出相似客户端，避免无关协作；采用余弦相似度加权聚合分类器参数、平均聚合特征提取器参数，平衡模型通用性与个性化；对服务器生成的定制分类器本地微调后作为教师模型，结合交叉熵与KL散度损失引导本地训练，实现协作与本地知识的蒸馏融合。该方法在不泄露客户端私有数据的前提下，有效提升软件缺陷预测准确率与稳定性，使模型兼具强学习能力、高预测性能与良好本地适配性，适用于多客户端协作的软件缺陷检测场景。