DVDR_LLM/
├── dvdr_llm/                  # Hauptpaket (professionelle Struktur)
│   ├── __init__.py            # Paket-Exporte
│   ├── cli.py                 # Kommandozeilen-Schnittstelle
│   ├── config.py              # Konfigurationseinstellungen
│   ├── core/                  # Kernfunktionalität
│   │   ├── api_client.py      # LLM-API-Kommunikation
│   │   ├── detector.py        # VulnerabilityDetector-Klasse
│   │   └── prompts.py         # Hilfsprogramme zur Prompt-Erzeugung
│   ├── analysis/              # Analysemodule
│   │   ├── consensus.py       # Konsensanalyse
│   │   └── metrics.py         # Leistungskennzahlen
│   ├── evaluation/            # Modellevaluierung
│   │   └── evaluator.py       # ModelEvaluator-Klasse
│   ├── visualization/         # Plotting und Visualisierung
│   │   └── plotter.py         # ResultsPlotter-Klasse
│   └── tools/                 # Zusätzliche Hilfsprogramme
├── utils/                     # Ursprüngliche Hilfsmodule
│   ├── api.py                 # LLM-API-Interaktionshelfer
│   ├── database.py            # SQLite-Hilfsfunktionen
│   └── config.py              # Konfigurationskonstanten
├── data/                      # Datensätze und Datenbanken
│   ├── vulnerabilities.csv    # Schwachstellendaten
│   └── vulnerable and patched codes.sqlite
├── output/                    # Generierte Ergebnisse und Datenbanken
│   ├── database_*.sqlite      # Modellspezifische Datenbanken
│   ├── consensus_analysis/    # Ergebnisse der Konsensanalyse
│   ├── metrics/              # Leistungskennzahlen
│   └── database_exports/     # Exportierte Daten
├── examples/                  # Verwendungsbeispiele
│   └── basic_usage.py         # Demonstration der grundlegenden Verwendung
├── docs/                      # Dokumentation
│   └── README_consensus_analysis.md
├── paper/                     # Forschungspapier
│   ├── main.pdf               # Veröffentlichtes Papier
│   └── main.tex               # LaTeX-Quelltext
├── setup.py                   # Paketinstallation
├── requirements.txt           # Abhängigkeiten
├── CHANGELOG.md              # Änderungsprotokoll
├── LICENSE                   # MIT-Lizenz
└── README.md                 # Diese Datei

# Schwachstellenerkennung mit Ensemble ausführen
dvdr-llm detect --models llama3-8b,codellama-7b --database data/vulnerabilities.sqlite

# Konsensmuster analysieren (RQ2)
dvdr-llm analyze consensus --input results/metrics/model_predictions.csv --threshold 0.6

# Visualisierung von Konfliktmustern erzeugen (Abbildung im Papier)
python dvdr_llm/visualization/conflict_pattern_plot.py results/metrics/reviewer_insights_disagreement_patterns.csv -o reviewer_insights

# Ensemble-Leistung über Abstraktionsebenen hinweg evaluieren (RQ3)
dvdr-llm evaluate --models-dir output/ --abstraction-analysis

from dvdr_llm import VulnerabilityDetector, ConsensusAnalyzer, ModelEvaluator

# Schwachstellendetektor initialisieren
detector = VulnerabilityDetector("llama3-8b-instruct")

# Mit Datenbank verbinden
detector.connect_to_database("data/vulnerabilities.sqlite")

# Code auf Schwachstellen analysieren
code = """
void vulnerable_function(char *input) {
    char buffer[100];
    strcpy(buffer, input);  // Buffer overflow
}
"""

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

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

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

# Aufräumen
detector.close()

# Multi-Modell-Konsensanalyse
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)

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

# Tabelle 2 erzeugen (Modellvergleich mit Delta-Prozenten)
python dvdr_llm/tools/model_contribution_analysis.py results/metrics/model_predictions.csv --compare-ensemble --threshold 0.7

# Einzelne vs. Ensemble-Leistung analysieren
dvdr-llm evaluate --comparison-analysis --threshold 0.7

# Abbildung 3 erzeugen (Schwellenwert-Sensitivitätsanalyse)
python dvdr_llm/tools/threshold_analysis.py results/metrics/model_predictions.csv --range 0.3-0.8

# Statistische Validierung der Schwellenwertauswahl
python dvdr_llm/analysis/statistical_validation.py --threshold-analysis

# Tabelle 3 erzeugen (Analyse der Abstraktionsebenen)
python dvdr_llm/evaluation/evaluator.py --abstraction-analysis --threshold 0.6

# Ebenenspezifische Leistungsbewertung
dvdr-llm evaluate --abstraction-levels 1,2,3 --ensemble

# Patch-Qualitätsmetriken analysieren (ROUGE, CodeBLEU, Komplexität)
python dvdr_llm/tools/patch_quality_analysis.py results/patches/ --weighted-scoring

# Abbildung 4 erzeugen (Patch-Ähnlichkeits- und Komplexitätsanalyse)
dvdr-llm visualize --patch-analysis --metrics results/patch_metrics.csv

# Hauptabbildung zur Konfliktmusteranalyse (Abbildung 2)
python dvdr_llm/visualization/conflict_pattern_plot.py results/metrics/reviewer_insights_disagreement_patterns.csv -o reviewer_insights

# Schwellenwert-Sensitivitätsanalyse (Abbildung 3)
python dvdr_llm/visualization/enhanced_figure3_generator.py results/metrics/model_predictions.csv

# Statistische Validierungsdiagramme (Anhang)
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",
    # Fügen Sie Ihre Modellkonfigurationen hinzu
}

# Konsensschwellenwerte für verschiedene Szenarien
CONSENSUS_THRESHOLDS = {
    "conservative": 0.8,  # Hohe Präzision, wenige falsch-positive Ergebnisse
    "balanced": 0.6,      # Ausgewogene Präzision und Recall
    "sensitive": 0.4      # Hoher Recall, mehr Schwachstellen erfassen
}

# Benutzerdefinierte Konsensstrategie implementieren
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

# Benutzerdefinierte Visualisierung verwenden
from dvdr_llm.visualization import ConflictPatternPlotter

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

# Neues LLM-Modell hinzufügen
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):
        # Benutzerdefinierte API-Interaktion implementieren
        pass

# Neues Modell registrieren
detector.register_model("custom-llm", CustomLLMClient("api_url", "model_name"))