.png){kind=icon}
返回
Assessing security vulnerabilities in a docker-enabled federated learning framework with hyperparameter tuning for software bug prediction
.png){kind=icon}
OA
AI
DOI：10.1007/s10207-026-01213-5.png)
.png){kind=icon}
.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
联邦学习（FL）作为一种协作机器学习的范式，能够在维护用户隐私的同时实现更广泛的数据访问，已成为一种有前景的方法。尽管FL的应用日益增多，但其部署过程中的安全性，特别是在容器化环境中，仍缺乏深入研究。本研究直接填补了这一空白，通过考察为软件缺陷预测（SBP）设计的基于Docker的FL部署中的安全风险。我们开发了两种联邦模型——卷积神经网络（FLCNN）和人工神经网络（FLANN），并使用灰狼优化器（GWO）集成了超参数调优（HPT）。在多个开源SBP数据集上训练模型后，我们将最佳FLCNN模型容器化，并在Docker中部署为Flask API。使用开源工具（Anchore、Aqua Trivy、Snyk、JFrog Xray）执行的漏洞扫描揭示了若干安全缺陷，包括拒绝服务、缓冲区溢出以及内存管理问题等关键和高风险问题。随后通过更新依赖项和应用推荐的容器安全协议，我们建立了一个显著更安全的FL部署配置文件。该分析强调了在通过容器化部署联邦学习时，进行严格、持续的安全评估的必要性。
Keyword:
Hyperparameter tuning
Federated learning
Deep learning
Software bug prediction
Docker
AI总结
对已上传原文的论文进行重点信息的提取，主要内容包括：简要概述、研究摘要、背景介绍、关键亮点、图文解析、展望与总结。
期刊
I
IF:
3.2
论文数:
141
被引数:
1.8K
机构
引用论文
Software defect prediction using a bidirectional LSTM network combined with oversampling techniques使用双向LSTM网络结合过采样技术的软件缺陷预测
OAAI
OAAI分享收藏Heterogeneous Defect Prediction Algorithm Combined With Federated Sparse Compression.png)
IEEE ACCESSOAAI
IEEE ACCESSIF3.6
OAAI分享收藏分享收藏
查看更多内容