و HOPE: روش ساخت مدل پیش بینی نقص نرم افزار از طریق رمزگذاریهمومورفیک

پیش بینی نقص نرم افزار می تواند ماژول های معیوب در پروژه را از قبل پیش بینی کند، که برای بهینه سازی تخصیص منابع آزمون مفیداست. اخیرا حفاظت از حریم خصوصی مجموعه داده ها و مدل ها به تدریج توجه محققان را به خود جلب کرده است. در این مطالعه، مااولین کسی هستیم که رمزگذاری همومورفیک را برای ساخت مدل پیش بینی نقص نرم افزار اعمال می کنیم و یک روش جدید HOPE راپیشنهاد می کنیم. به طور خاص، ما یک استراتژی تقریب الگوریتم را برای تقریب تابع سیگموید اتخاذ می کنیم و الگوریتم رمزگذاریهمومورفیک Paillier را برای رگرسیون لجستیک انتخاب می کنیم. در مطالعه موردی خود، مجموعه داده های MORPHجمع آوری شده از پروژه های منبع باز دنیای واقعی را به عنوان موضوعات آزمایشی خود انتخاب می کنیم. سپس سه گروه کنترل را طراحیمی کنیم تا سه سناریو مختلف را بر اساس اینکه آیا کلاینت داده های رمزگذاری شده را به سرور ارسال می کند و آیا سرور از روشHOPE استفاده می کند، شبیه سازی می کنیم. نتایج نهایی نشان می دهد که اگر سرور از رگرسیون لجست یک اصلی برای ساخت مدلبر روی داده های رمزگذاری شده استفاده کند، عملکرد مدل آموزش دیده مشابه حدس تصادفی است که می تواند حفاظت از حریمخصوصی داده ها را تضمین کند. علاوه بر این، در مقایسه با روش رگرسیون لجستیکی اصلی، روش HOPE تنها به مقدار کمی هزینهمحاسباتی نیاز دارد، اما کاهش عملکرد آشکا ری وجود ندارد. ما اسکریپت های پیاده سازی و مجموعه داده های خود را به اشتراکمی گذاریم تا محققان را تشویق کنیم تا مطالعات بیشتری در این جهت تحقیقاتی انجام دهند .