Skip to content
KitploitKITPLOIT
OutilsExploitsBlog
Log in
Soumettre
OutilsExploitsBlog
Soumettre

Outils de Hacking, PenTest et Cybersécurité pour votre Arsenal de Sécurité !

Kitploit est un répertoire d'outils de hacking, de cybersécurité et de pentesting. Découvrez les dernières mises à jour des projets pour trouver des vulnérabilités, analyser des systèmes, automatiser les tests et renforcer votre sécurité.

FluxContactConfidentialité© 2026 Kitploit

Répertoire d'outils

Catégories

Voir toutes les catégories
Loading categories
DeepGuard — Code pour l'article ACL 2026 (principal) "DeepGuard : Génération de code sécurisée via agrégation sémantique multicouche" | Kitploit
Outils/GitHubGitHub/unknownhl/deepguard
Analyse StatiqueScanners de VulnérabilitésAnalyse des VulnérabilitésAnalyse de CodeApprentissage AutomatiqueArticles et RechercheApprentissage et ÉducationSécurité de l'IA
GitHubunknownhl/deepguard

DeepGuard

Code pour l'article ACL 2026 (principal) "DeepGuard : Génération de code sécurisée via agrégation sémantique multicouche"

2157il y a 7 moisPas encore vérifié
Voir le dépôt
Partager

DeepGuard

DeepGuard Architecture

📖 Aperçu du projet

DeepGuard est une approche innovante de génération de code sécurisé qui améliore la capacité des grands modèles de langage à produire du code sécurisé grâce à des techniques d'agrégation sémantique multi-couches. Cette méthode identifie et atténue efficacement les vulnérabilités de sécurité dans le code, offrant aux développeurs des solutions de génération de code plus sûres.

🔑 Fonctionnalités techniques principales

  • Agrégation sémantique multi-couches : Capture des informations sémantiques riches en agrégeant les états cachés de plusieurs couches Transformer.
  • LoRA sensible à la sécurité : Combine des techniques d'adaptation de bas rang (LoRA) pour un entraînement optimisé à la sécurité.
  • Évaluation dynamique de la sécurité : Évaluation en temps réel de la sécurité du code généré avec des ajustements dynamiques.
  • Support multi-modèles : Prend en charge les principaux modèles de génération de code, notamment Qwen2.5-Coder, DeepSeek-Coder et Seed-Coder.

📁 Structure du projet

.
├── data_train_val/     # Ensembles de données d'entraînement et de validation
│   ├── train/          # Données d'entraînement
│   └── val/            # Données de validation
├── data_eval/          # Ensembles de données d'évaluation
│   ├── sec_eval/       # Données d'évaluation de la sécurité
│   └── unit_test/      # Données de tests unitaires
├── deepguard/          # Implémentation principale de DeepGuard
│   ├── train.py        # Script d'entraînement
│   └── inference.py    # Script d'inférence
├── sven/               # Framework de base SVEN
├── cosec/              # Implémentation de base CoSec
├── runs/               # Scripts d'entraînement et d'évaluation
│   ├── run_sec_deepguard.sh  # Script d'évaluation DeepGuard
│   ├── run_sec_cosec.sh      # Script d'évaluation CoSec
│   └── run_sec_base.sh       # Script d'évaluation de base
├── trained/            # Poids de modèles pré-entraînés
├── images/             # Images liées au projet
├── requirements.txt    # Dépendances Python
├── setup.py           # Configuration d'installation
└── README.md          # Documentation du projet

🛠️ Configuration de l'environnement

Prérequis système

  • Python 3.10+
  • CUDA 12.0+ (recommandé)
  • 80 Go+ de mémoire GPU (pour l'entraînement/inférence de grands modèles)

Étapes d'installation

  1. Installer les dépendances
pip install -r requirements.txt
pip install -e .
  1. Configurer CodeQL (pour l'évaluation de la sécurité)
./setup_codeql.sh

🚀 Démarrage rapide

Entraînement du modèle

Entraînez les modèles DeepGuard avec notre jeu de données organisé :

cd deepguard
python train.py --model_name qwen2.5-7b --aggregation_method attention

Paramètres d'entraînement :

  • --model_name : Nom du modèle de base (qwen2.5-3b, qwen2.5-7b, deepseek-1.3b, deepseek-6.7b, seedcoder-8b)
  • --aggregation_method : Méthode d'agrégation

Évaluation du modèle

Exécutez les scripts d'évaluation de sécurité :

cd runs

# Évaluer les modèles DeepGuard
bash run_sec_deepguard.sh

# Évaluer la base CoSec
bash run_sec_cosec.sh

# Évaluer les modèles de base
bash run_sec_base.sh

🔍 Modules techniques principaux

1. MultiLayerAggregator

Agrégateur sémantique multi-couches pour intégrer les états cachés des différentes couches Transformer :

class MultiLayerAggregator(nn.Module):
    def __init__(self, num_layers, hidden_size, aggregation_method='attention'):
        # Prend en charge les méthodes d'agrégation attention, weighted, concat
        # Optimise les contributions des différentes couches via des poids appris

2. SecurityAnalyzer

Analyseur de sécurité pour évaluer la sécurité du code et fournir des conseils de sécurité :

class SecurityAnalyzer(nn.Module):
    def __init__(self, vocab_size, hidden_size, num_layers=4):
        # Combine les embeddings de sécurité au niveau des tokens et le traitement du contexte
        # Produit des scores de sécurité pour guider le processus de génération

3. SecurityAwareLoRAModel

Modèle LoRA sensible à la sécurité pour une amélioration efficace de la sécurité :

class SecurityAwareLoRAModel(nn.Module):
    def generate_with_security(self, input_ids, **kwargs):
        # Ajustement dynamique lors de la génération pour améliorer la sécurité
        # Utilise les scores de sécurité pour guider la sélection des tokens

🔍 Types de vulnérabilités pris en charge

DeepGuard peut détecter et atténuer diverses vulnérabilités de sécurité courantes dans plusieurs langages de programmation :

ID CWENom de la vulnérabilitéDescriptionLangages pris en chargeNiveau de gravité
CWE-020Validation incorrecte des entréesValidation insuffisante des entrées pouvant entraîner divers problèmes de sécuritéPythonÉlevé
CWE-022Limitation incorrecte d'un chemin vers un répertoire restreintVulnérabilité de traversée de chemin permettant l'accès à des fichiers en dehors des répertoires restreintsPythonÉlevé
CWE-078Injection de commandes systèmeInjection de commandes du système d'exploitation permettant l'exécution de commandes système arbitrairesPythonCritique
CWE-079Cross-site scripting (XSS)Attaques par cross-site scripting permettant l'exécution de scripts malveillants dans les navigateurs des utilisateursPythonÉlevé
CWE-089Injection SQLAttaques par injection SQL permettant la manipulation de requêtes de base de donnéesPythonCritique
CWE-119Débordement de tamponDébordement de tampon pouvant entraîner une exécution de code ou un plantage du systèmeCCritique
CWE-125Lecture hors limitesLecture hors limites pouvant entraîner une divulgation d'informationsCMoyen
CWE-190Dépassement d'entierDépassement d'entier pouvant entraîner un comportement inattendu ou des vulnérabilités de sécuritéCMoyen
CWE-416Utilisation après libérationVulnérabilité d'utilisation après libération pouvant entraîner une exécution de code ou un plantage du systèmeCCritique
CWE-476Déréférencement de pointeur NULLDéréférencement de pointeur NULL pouvant provoquer un plantage du programmeCMoyen
CWE-502Désérialisation de données non fiablesDésérialisation de données non fiables pouvant entraîner une exécution de codePythonÉlevé
CWE-732Attribution incorrecte des permissionsAttribution incorrecte des permissions pouvant entraîner un accès non autoriséPython, CMoyen
CWE-787Écriture hors limitesÉcriture hors limites pouvant entraîner une exécution de code ou une corruption de donnéesCCritique

Statistiques sur les vulnérabilités

  • Nombre total de types de vulnérabilités pris en charge : 13
  • Niveau Critique : 5 types (CWE-078, CWE-089, CWE-119, CWE-416, CWE-787)
  • Niveau Élevé : 4 types (CWE-020, CWE-022, CWE-079, CWE-502)
  • Niveau Moyen : 4 types (CWE-125, CWE-190, CWE-476, CWE-732)
  • Langages pris en charge : Python, C

Types d'évaluation

DeepGuard prend en charge deux modes d'évaluation :

  • Base : Évaluation de sécurité de base sur les modèles standards.
  • Untrain : Évaluation de sécurité sur les modèles non entraînés/de base.

Chaque type de vulnérabilité fournit des cas de test et des données d'évaluation correspondants dans les répertoires data_eval/unit_test/ et data_eval/sec_eval/.

Exemple de détection de vulnérabilité

Nous fournissons des exemples de programmes générés par le modèle de base et DeepGuard pour illustrer leurs comportements.

Télécharger l’outil

Populaires

Voir tout →

Découvrez les outils les plus utilisés par notre communauté.

  • 1

    OsintHunter

    letox4/osinthunter

    🎯 La boîte à outils OSINT ultime : graphe d'enquête, notation de confiance, familles d'alias, carte, chronologie et rapports. 49 modules, plus de 400 sites, aucune clé API requise.

    576
  • 2

    ghostlock-app

    yukonga/ghostlock-app

    # Application d'exécution en un clic GhostLock (CVE-2026-43499)

    477
  • 3

    ARTEX

    baarai/artex

    Plateforme autonome de tests d'intrusion multi-agents basée sur des LLM, avec agents planificateur/ouvrier, graphes d'actifs et d'exploration, enregistrement du trafic MITM et retest des vulnérabilités.

    388
  • 4

    redforge

    cybersecurity91/redforge

    Boîte à outils red team côté navigateur avec 102 outils hors ligne pour la reconnaissance, la génération de payloads, les attaques par identifiants, la cryptographie, l'encodage et le reporting d'engagement.

    330
  • 5

    CyberStrikeAI

    ed1s0nz/cyberstrikeai

    Le système d'action pour la cybersécurité native IA—où l'intention devient une exécution gouvernée, les preuves deviennent une mémoire opérationnelle, et chaque opération améliore la suivante.

    255
  • 6

    antifox

    antifox-ai/antifox

    Plateforme de test d'intrusion autonome multi-agents par IA qui exécute la reconnaissance, la découverte de la surface d'attaque, la validation de l'exploitation et la livraison de rapports étayés par des preuves.

    247

Explorer tous les outils

Parcourez notre collection d'outils

Voir tous les outils →