DVDR_LLM/
├── dvdr_llm/                  # الحزمة الرئيسية (هيكل احترافي)
│   ├── __init__.py            # تصديرات الحزمة
│   ├── cli.py                 # واجهة سطر الأوامر
│   ├── config.py              # إعدادات التهيئة
│   ├── core/                  # الوظائف الأساسية
│   │   ├── api_client.py      # التواصل مع واجهة برمجة تطبيقات LLM
│   │   ├── detector.py        # صنف VulnerabilityDetector
│   │   └── prompts.py         # أدوات توليد المطالبات
│   ├── analysis/              # وحدات التحليل
│   │   ├── consensus.py       # تحليل توافق الآراء
│   │   └── metrics.py         # مقاييس الأداء
│   ├── evaluation/            # تقييم النماذج
│   │   └── evaluator.py       # صنف ModelEvaluator
│   ├── visualization/         # الرسم والتصور
│   │   └── plotter.py         # صنف ResultsPlotter
│   └── tools/                 # أدوات إضافية
├── utils/                     # الوحدات المساعدة الأصلية
│   ├── api.py                 # أدوات التفاعل مع واجهة برمجة تطبيقات LLM
│   ├── database.py            # دوال مساعدة لـ SQLite
│   └── config.py              # ثوابت الإعدادات
├── data/                      # مجموعات البيانات وقواعد البيانات
│   ├── vulnerabilities.csv    # بيانات الثغرات
│   └── vulnerable and patched codes.sqlite
├── output/                    # النتائج وقواعد البيانات المُنشأة
│   ├── database_*.sqlite      # قواعد بيانات خاصة بكل نموذج
│   ├── consensus_analysis/    # نتائج تحليل توافق الآراء
│   ├── metrics/              # مقاييس الأداء
│   └── database_exports/     # البيانات المُصدَّرة
├── examples/                  # أمثلة الاستخدام
│   └── basic_usage.py         # عرض أساسي للاستخدام
├── docs/                      # التوثيق
│   └── README_consensus_analysis.md
├── paper/                     # البحث العلمي
│   ├── main.pdf               # الورقة المنشورة
│   └── main.tex               # مصدر LaTeX
├── setup.py                   # تثبيت الحزمة
├── requirements.txt           # التبعيات
├── CHANGELOG.md              # سجل التغييرات
├── LICENSE                   # رخصة MIT
└── README.md                 # هذا الملف

# تشغيل اكتشاف الثغرات مع التنسيق
dvdr-llm detect --models llama3-8b,codellama-7b --database data/vulnerabilities.sqlite

# تحليل أنماط توافق الآراء (RQ2)
dvdr-llm analyze consensus --input results/metrics/model_predictions.csv --threshold 0.6

# توليد تصور نمط التضارب (الشكل في الورقة)
python dvdr_llm/visualization/conflict_pattern_plot.py results/metrics/reviewer_insights_disagreement_patterns.csv -o reviewer_insights

# تقييم أداء التنسيق عبر مستويات التجريد (RQ3)
dvdr-llm evaluate --models-dir output/ --abstraction-analysis

from dvdr_llm import VulnerabilityDetector, ConsensusAnalyzer, ModelEvaluator

# Initialize vulnerability detector
detector = VulnerabilityDetector("llama3-8b-instruct")

# Connect to database
detector.connect_to_database("data/vulnerabilities.sqlite")

# Analyze code for vulnerabilities
code = """
void vulnerable_function(char *input) {
    char buffer[100];
    strcpy(buffer, input);  // Buffer overflow
}
"""

# Get CVE predictions
cve_names = detector.analyze_code_for_cves(code, 2023)
print(f"Identified CVEs: {cve_names}")

# Detect vulnerability
is_vulnerable = detector.detect_vulnerability(code)
print(f"Is vulnerable: {is_vulnerable}")

# Process database entries
stats = detector.process_database_entries(limit=100)
print(f"Processed {stats['processed']} entries")

# Clean up
detector.close()

# Multi-model consensus analysis
model_databases = {
    "llama3-8b": "output/database_llama3-8b-instruct.sqlite",
    "codellama-7b": "output/database_codellama-7b-instruct.sqlite",
    "gemma2-9b": "output/database_gemma2-9b.sqlite"
}

analyzer = ConsensusAnalyzer()
consensus_results = analyzer.run_full_analysis(model_databases)

# Model evaluation
evaluator = ModelEvaluator()
evaluation_results = evaluator.evaluate_multiple_models(
    model_databases, 
    "data/ground_truth.csv"
)

# توليد الجدول 2 (مقارنة النماذج مع نسب التغير المئوية)
python dvdr_llm/tools/model_contribution_analysis.py results/metrics/model_predictions.csv --compare-ensemble --threshold 0.7

# تحليل الأداء الفردي مقابل أداء التنسيق
dvdr-llm evaluate --comparison-analysis --threshold 0.7

# توليد الشكل 3 (تحليل حساسية العتبة)
python dvdr_llm/tools/threshold_analysis.py results/metrics/model_predictions.csv --range 0.3-0.8

# التحقق الإحصائي من اختيار العتبة
python dvdr_llm/analysis/statistical_validation.py --threshold-analysis

# توليد الجدول 3 (تحليل مستوى التجريد)
python dvdr_llm/evaluation/evaluator.py --abstraction-analysis --threshold 0.6

# تقييم الأداء الخاص بكل مستوى
dvdr-llm evaluate --abstraction-levels 1,2,3 --ensemble

# تحليل مقاييس جودة التصحيح (ROUGE، CodeBLEU، التعقيد)
python dvdr_llm/tools/patch_quality_analysis.py results/patches/ --weighted-scoring

# توليد الشكل 4 (تحليل تشابه التصحيحات وتعقيدها)
dvdr-llm visualize --patch-analysis --metrics results/patch_metrics.csv

# الشكل الرئيسي لتحليل نمط التضارب (الشكل 2)
python dvdr_llm/visualization/conflict_pattern_plot.py results/metrics/reviewer_insights_disagreement_patterns.csv -o reviewer_insights

# تحليل حساسية العتبة (الشكل 3)
python dvdr_llm/visualization/enhanced_figure3_generator.py results/metrics/model_predictions.csv

# مخططات التحقق الإحصائي (الملحق)
python dvdr_llm/analysis/statistical_significance_analysis.py --generate-plots

LLM_MODELS = {
    "llama3_8b": "ollama run llama3:8b-instruct",
    "codellama_7b": "ollama run codellama:7b-instruct",
    "mistral_7b": "ollama run mistral:7b-instruct",
    # Add your model configurations
}

# Consensus thresholds for different scenarios
CONSENSUS_THRESHOLDS = {
    "conservative": 0.8,  # High precision, low false positives
    "balanced": 0.6,      # Balanced precision-recall
    "sensitive": 0.4      # High recall, catch more vulnerabilities
}

# Implement custom consensus strategy
from dvdr_llm.analysis.consensus import ConsensusAnalyzer

class WeightedConsensus(ConsensusAnalyzer):
    def __init__(self, model_weights):
        self.weights = model_weights
    
    def weighted_majority_vote(self, predictions):
        weighted_sum = sum(pred * weight for pred, weight in zip(predictions, self.weights))
        return weighted_sum >= 0.5

# Use custom visualization
from dvdr_llm.visualization import ConflictPatternPlotter

plotter = ConflictPatternPlotter()
plotter.create_professional_figure(
    disagreement_data, 
    output_prefix="custom_analysis",
    style="publication"
)

# Add new LLM model
from dvdr_llm.core.api_client import LLMClient

class CustomLLMClient(LLMClient):
    def __init__(self, api_endpoint, model_name):
        super().__init__(api_endpoint, model_name)
    
    def generate_response(self, prompt, **kwargs):
        # Implement custom API interaction
        pass

# Register new model
detector.register_model("custom-llm", CustomLLMClient("api_url", "model_name"))