vinsontang1/dcvdEl código en "DCVD: Fusión multimodal de doble canal para la detección y localización conjunta de vulnerabilidades"
project/
├── train.py
├── data_loader.py
├── README.md
├── requirements.txt
├── models/
│ ├── control_pathway.py
│ ├── semantic_pathway.py
│ ├── feature_fusion_module.py
│ ├── transformer_llm_module.py
│ └── multi_task_predictor.py
Usamos el conjunto de datos LineVul para la detección de vulnerabilidades:
Michael Fu y Chakkrit Tantithamthavorn, "LineVul: A Transformer-based Line-Level Vulnerability Prediction", MSR 2022.
Artículo: https://conf.researchr.org/details/msr-2022/msr-2022-technical-papers/26/LineVul-A-Transformer-based-Line-Level-Vulnerability-Prediction
Repositorio: https://github.com/awsm-research/LineVul
Además, preprocesamos el conjunto de datos para convertirlo en estructuras de grafo y alineamos cada muestra con las explicaciones generadas por el LLM.
Utilizamos los siguientes modelos preentrenados:
OpenAI GPT-4o-mini
OpenAI, "Hello GPT-4o", 2024.
URL: https://openai.com/index/hello-gpt-4o/
Modelos Qwen (serie Qwen3)
Qwen Team, "Qwen3 Technical Report", arXiv:2505.09388, 2025.
Artículo: https://arxiv.org/abs/2505.09388
Repositorio: https://github.com/QwenLM/Qwen3
GraphCodeBERT
Guo et al., "GraphCodeBERT: Pre-training Code Representations with Data Flow", ICLR 2021.
Artículo: https://arxiv.org/abs/2009.08366
Repositorio: https://github.com/microsoft/CodeBERT
Este proyecto utiliza conjuntos de datos públicos y modelos preentrenados. Sus licencias se enumeran a continuación:
Conjunto de datos LineVul
Licencia: MIT License
Fuente: https://github.com/awsm-research/LineVul
OpenAI GPT-4o-mini
El uso está sujeto a los Términos de uso de OpenAI.
Modelos Qwen (Qwen3.5-4B)
Licencia: Apache License 2.0
Fuente: https://github.com/QwenLM/Qwen3
GraphCodeBERT
Licencia: MIT License
Fuente: https://github.com/microsoft/CodeBERT
Todos los recursos se utilizan de acuerdo con sus respectivas licencias.
python >= 3.9
torch>=2.0.0
torch-geometric>=2.4.0
transformers>=4.35.0
accelerate>=0.25.0
sentencepiece
pandas>=1.5.0
tqdm>=4.60.0
tensorboard
PyTorch Geometric (PyG) depende de CUDA. Instálalo según tu entorno.
data/
├── processed/
│ ├── train_data_masked.pt
│ ├── train_with_llm.csv
│ ├── val_data_masked.pt
│ ├── val_with_llm.csv
│ ├── test_data_masked.pt
│ ├── test_with_llm.csv
├── config/
│ └── node_vocab.json
El archivo CSV debe contener los siguientes campos:
index: identificador único de la muestrafunc_before: código fuentellm_explanation: explicación generada por el LLMCada objeto Data de PyG debe incluir:
index: alineado con el CSVx: características de los nodosast_edge_index: aristas del ASTcfg_edge_index: aristas del CFGy_f: etiqueta a nivel de funcióny_s: etiquetas a nivel de línealine_mask: mapeo de token a líneaEl framework utiliza los siguientes modelos preentrenados:
Qwen/Qwen3.5-4Bmicrosoft/graphcodebert-basePuedes modificarlos mediante:
--llm_model_name
--transformer_base_name
python train.py \
--train_pt_path ./data/processed/train_data_masked.pt \
--train_csv_path ./data/processed/train_with_llm.csv \
--valid_pt_path ./data/processed/val_data_masked.pt \
--valid_csv_path ./data/processed/val_with_llm.csv \
--vocab_path ./data/config/node_vocab.json \
--output_dir ./outputs \
--run_name demo
Los resultados se guardarán en:
outputs/<run_name>/
Incluyendo: