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
Outils/GitHubGitHub/vinsontang1/dcvd
Analyse StatiqueAnalyse des VulnérabilitésAnalyse de CodeApprentissage AutomatiqueArticles et RechercheSécurité de l'IA
GitHubvinsontang1/dcvd

DCVD

Le code de « DCVD: Dual-Channel Cross-Modal Fusion for Joint Vulnerability Detection and Localization »

Voir le dépôt
242il y a 6 moisPas encore vérifié
Partager

11image-20260510182333988

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

Sources de données et de modèles

Jeu de données

Nous utilisons le jeu de données LineVul pour la détection de vulnérabilités :

Michael Fu et Chakkrit Tantithamthavorn, « LineVul: A Transformer-based Line-Level Vulnerability Prediction », MSR 2022.
Article : https://conf.researchr.org/details/msr-2022/msr-2022-technical-papers/26/LineVul-A-Transformer-based-Line-Level-Vulnerability-Prediction
Dépôt : https://github.com/awsm-research/LineVul

Nous transformons ensuite le jeu de données en structures de graphe et alignons chaque échantillon avec des explications générées par LLM.

Modèles

Nous utilisons les modèles pré-entraînés suivants :

  • OpenAI GPT-4o-mini

    OpenAI, « Hello GPT-4o », 2024.
    URL : https://openai.com/index/hello-gpt-4o/

    • gpt-4o-mini-2024-07-18 : utilisé pour générer les explications LLM.
  • Modèles Qwen (série Qwen3)

    Qwen Team, « Qwen3 Technical Report », arXiv:2505.09388, 2025.
    Article : https://arxiv.org/abs/2505.09388
    Dépôt : https://github.com/QwenLM/Qwen3

    • Qwen3.5-4B : utilisé comme backbone d'embedding sémantique (couche d'embedding uniquement).
  • GraphCodeBERT

    Guo et al., « GraphCodeBERT: Pre-training Code Representations with Data Flow », ICLR 2021.
    Article : https://arxiv.org/abs/2009.08366
    Dépôt : https://github.com/microsoft/CodeBERT

Licences

Ce projet utilise des jeux de données et des modèles pré-entraînés disponibles publiquement. Leurs licences sont énumérées ci-dessous :

  • Jeu de données LineVul
    Licence : MIT License
    Source : https://github.com/awsm-research/LineVul

  • OpenAI GPT-4o-mini
    L'utilisation est soumise aux Conditions d'utilisation d'OpenAI.

  • Modèles Qwen (Qwen3.5-4B)
    Licence : Apache License 2.0
    Source : https://github.com/QwenLM/Qwen3

  • GraphCodeBERT
    Licence : MIT License
    Source : https://github.com/microsoft/CodeBERT

Toutes les ressources sont utilisées conformément à leurs licences respectives.

Configuration de l'environnement

Prérequis

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

Installation de PyTorch Geometric

PyTorch Geometric (PyG) dépend de CUDA. Veuillez l'installer en fonction de votre environnement.

Préparation des données

Structure du répertoire

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

Format CSV

Le fichier CSV doit contenir les champs suivants :

  • index : identifiant unique d'échantillon
  • func_before : code source
  • llm_explanation : explication générée par LLM

Données de graphe (.pt)

Chaque objet PyG Data doit inclure :

  • index : aligné avec le CSV
  • x : caractéristiques des nœuds
  • ast_edge_index : arêtes AST
  • cfg_edge_index : arêtes CFG
  • y_f : étiquette au niveau de la fonction
  • y_s : étiquettes au niveau de la ligne
  • line_mask : mappage jeton-ligne

Configuration du modèle

Le framework utilise les modèles pré-entraînés suivants :

  • Chemin sémantique : Qwen/Qwen3.5-4B
  • Module Transformer : microsoft/graphcodebert-base

Vous pouvez les modifier via :

--llm_model_name
--transformer_base_name

Démarrage rapide

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

Sortie

Les résultats seront enregistrés dans :

outputs/<run_name>/

Notamment :

  • points de contrôle du modèle
  • logs
  • result.json
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.

    614
  • 2

    ghostlock-app

    yukonga/ghostlock-app

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

    476
  • 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.

    389
  • 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.

    334
  • 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.

    257
  • 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 →