Skip to content
KitploitKITPLOIT
उपकरणएक्सप्लॉइटब्लॉग
Log in
जमा करें
उपकरणएक्सप्लॉइटब्लॉग
जमा करें

हैकिंग, पेनटेस्ट और साइबर सुरक्षा उपकरण आपके सुरक्षा शस्त्रागार के लिए!

Kitploit हैकिंग, साइबर सुरक्षा और पेंटेस्टिंग टूल्स की एक निर्देशिका है। कमजोरियों को खोजने, सिस्टम का विश्लेषण करने, परीक्षण को स्वचालित करने और अपनी सुरक्षा को मजबूत करने के लिए नवीनतम प्रोजेक्ट अपडेट खोजें।

फ़ीडसंपर्कगोपनीयता© 2026 Kitploit

टूल निर्देशिका

श्रेणियाँ

सभी श्रेणियाँ देखें
Loading categories
DVDR_LLM — सॉफ्टवेयर भेद्यता का पता लगाने और मरम्मत के लिए एक एन्सेम्बल फ्रेमवर्क जो कई बड़े भाषा मॉडलों का उपयोग करता है, जिसमें सटीकता-पुनरावृत्ति व्यापार-बंद के लिए सर्वसम्मति विश्लेषण और मूल्यांकन उपकरण शामिल हैं। | Kitploit
उपकरण/GitHubGitHub/erroristotle/dvdr_llm
भेद्यता विश्लेषणकोड विश्लेषणमशीन लर्निंगपेपर और शोधलर्निंग और शिक्षाAI सुरक्षा
GitHuberroristotle/dvdr_llm

DVDR_LLM

सॉफ्टवेयर भेद्यता का पता लगाने और मरम्मत के लिए एक एन्सेम्बल फ्रेमवर्क जो कई बड़े भाषा मॉडलों का उपयोग करता है, जिसमें सटीकता-पुनरावृत्ति व्यापार-बंद के लिए सर्वसम्मति विश्लेषण और मूल्यांकन उपकरण शामिल हैं।

रिपॉजिटरी देखें
34811 महीने पहलेअभी तक समीक्षित नहीं
साझा करें

DVDR-LLM: जब LLM सॉफ़्टवेयर भेद्यता का पता लगाने और मरम्मत के लिए एक साथ बेहतर होते हैं?

Python 3.8+ Paper

शोध पत्र के लिए आधिकारिक कार्यान्वयन और कलाकृति:
"DVDR-LLM: जब LLM सॉफ़्टवेयर भेद्यता का पता लगाने और मरम्मत के लिए एक साथ बेहतर होते हैं?"

🎯 अवलोकन

DVDR-LLM एक समूह ढांचा है जो सॉफ़्टवेयर भेद्यता का पता लगाने और मरम्मत के लिए कई बड़े भाषा मॉडल (LLM) को एकत्रित करने में मूलभूत व्यापार-बंदों की व्यवस्थित रूप से जांच करता है। हमारा व्यापक मूल्यांकन सटीकता-रीकॉल संतुलन, मॉडल विविधता लाभ और सुरक्षा-महत्वपूर्ण अनुप्रयोगों में सर्वसम्मति-आधारित दृष्टिकोणों के बारे में महत्वपूर्ण अंतर्दृष्टि प्रकट करता है।

मुख्य निष्कर्ष

  • सटीकता-रीकॉल व्यापार-बंद: समूह पैच वैधता मूल्यांकन में गलत सकारात्मक को कम करता है (+10-12% सटीकता) लेकिन भेद्यता पहचान में गलत नकारात्मक बढ़ाता है
  • जटिलता लाभ: कोड अमूर्तता स्तर बढ़ने पर मॉडल विविधता लाभ बढ़ते हैं (+18% रिकॉल, +11.8% F1 बहु-फ़ाइल भेद्यताओं के लिए)
  • रूढ़िवादी पूर्वाग्रह: 80% मॉडल व्यवस्थित रूप से रूढ़िवादी व्यवहार प्रदर्शित करते हैं (भेद्यताओं का पता न लगाना बनाम अति-पता लगाना)
  • कोई अद्वितीय विशेषज्ञ नहीं: सभी भेद्यता पहचान समूह में ओवरलैप होती हैं, जो बहुमत मतदान रणनीतियों को मान्य करती हैं

📁 रिपॉजिटरी संरचना

DVDR_LLM/
├── dvdr_llm/                  # Main package (professional structure)
│   ├── __init__.py            # Package exports
│   ├── cli.py                 # Command-line interface
│   ├── config.py              # Configuration settings
│   ├── core/                  # Core functionality
│   │   ├── api_client.py      # LLM API communication
│   │   ├── detector.py        # VulnerabilityDetector class
│   │   └── prompts.py         # Prompt generation utilities
│   ├── analysis/              # Analysis modules
│   │   ├── consensus.py       # Consensus analysis
│   │   └── metrics.py         # Performance metrics
│   ├── evaluation/            # Model evaluation
│   │   └── evaluator.py       # ModelEvaluator class
│   ├── visualization/         # Plotting and visualization
│   │   └── plotter.py         # ResultsPlotter class
│   └── tools/                 # Additional utilities
├── utils/                     # Original utility modules
│   ├── api.py                 # LLM API interaction helpers
│   ├── database.py            # SQLite helper functions
│   └── config.py              # Configuration constants
├── data/                      # Datasets and databases
│   ├── vulnerabilities.csv    # Vulnerability data
│   └── vulnerable and patched codes.sqlite
├── output/                    # Generated results and databases
│   ├── database_*.sqlite      # Model-specific databases
│   ├── consensus_analysis/    # Consensus analysis results
│   ├── metrics/              # Performance metrics
│   └── database_exports/     # Exported data
├── examples/                  # Usage examples
│   └── basic_usage.py         # Basic usage demonstration
├── docs/                      # Documentation
│   └── README_consensus_analysis.md
├── paper/                     # Research paper
│   ├── main.pdf               # Published paper
│   └── main.tex               # LaTeX source
├── setup.py                   # Package installation
├── requirements.txt           # Dependencies
├── CHANGELOG.md              # Change log
├── LICENSE                   # MIT License
└── README.md                 # This file

🚀 त्वरित प्रारंभ

आवश्यक शर्तें

  • Python 3.8+
  • LLM API तक पहुंच (Ollama, OpenAI, आदि)
  • भेद्यता डेटाबेस के लिए SQLite

स्थापना

  1. रिपॉजिटरी को क्लोन करें:

    git clone https://github.com/Erroristotle/DVDR_LLM.git
    cd DVDR_LLM
    
  2. निर्भरताएं स्थापित करें:

    pip install -r requirements.txt
    pip install -e .  # पैकेज को डेवलपमेंट मोड में स्थापित करें
    
  3. स्थापना सत्यापित करें:

    python verify_package.py
    

बुनियादी उपयोग

कमांड लाइन इंटरफ़ेस

# भेद्यता का पता लगाने के लिए समूह के साथ चलाएं
dvdr-llm detect --models llama3-8b,codellama-7b --database data/vulnerabilities.sqlite

# सर्वसम्मति पैटर्न का विश्लेषण करें (RQ2)
dvdr-llm analyze consensus --input results/metrics/model_predictions.csv --threshold 0.6

# विरोध पैटर्न विज़ुअलाइज़ेशन उत्पन्न करें (पेपर में चित्र)
python dvdr_llm/visualization/conflict_pattern_plot.py results/metrics/reviewer_insights_disagreement_patterns.csv -o reviewer_insights

# अमूर्तता स्तरों पर समूह प्रदर्शन का मूल्यांकन करें (RQ3)
dvdr-llm evaluate --models-dir output/ --abstraction-analysis

Python API

from dvdr_llm import VulnerabilityDetector, ConsensusAnalyzer, ModelEvaluator

# भेद्यता डिटेक्टर को आरंभ करें
detector = VulnerabilityDetector("llama3-8b-instruct")

# डेटाबेस से कनेक्ट करें
detector.connect_to_database("data/vulnerabilities.sqlite")

# भेद्यताओं के लिए कोड का विश्लेषण करें
code = """
void vulnerable_function(char *input) {
    char buffer[100];
    strcpy(buffer, input);  // Buffer overflow
}
"""

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

# भेद्यता का पता लगाएं
is_vulnerable = detector.detect_vulnerability(code)
print(f"Is vulnerable: {is_vulnerable}")

# डेटाबेस प्रविष्टियां संसाधित करें
stats = detector.process_database_entries(limit=100)
print(f"Processed {stats['processed']} entries")

# साफ करें
detector.close()

# बहु-मॉडल सर्वसम्मति विश्लेषण
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)

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

📊 पेपर परिणामों को पुन: प्रस्तुत करना

शोध प्रश्न

RQ1: एकाधिक LLM को एकत्रित करने का प्रभाव

# तालिका 2 उत्पन्न करें (डेल्टा प्रतिशत के साथ मॉडल तुलना)
python dvdr_llm/tools/model_contribution_analysis.py results/metrics/model_predictions.csv --compare-ensemble --threshold 0.7

# व्यक्तिगत बनाम समूह प्रदर्शन का विश्लेषण करें
dvdr-llm evaluate --comparison-analysis --threshold 0.7

RQ2: इष्टतम सर्वसम्मति सीमा

# चित्र 3 उत्पन्न करें (सीमा संवेदनशीलता विश्लेषण)
python dvdr_llm/tools/threshold_analysis.py results/metrics/model_predictions.csv --range 0.3-0.8

# सीमा चयन का सांख्यिकीय सत्यापन
python dvdr_llm/analysis/statistical_validation.py --threshold-analysis

RQ3: अमूर्तता स्तरों पर प्रदर्शन

# तालिका 3 उत्पन्न करें (अमूर्तता स्तर विश्लेषण)
python dvdr_llm/evaluation/evaluator.py --abstraction-analysis --threshold 0.6

# स्तर-विशिष्ट प्रदर्शन मूल्यांकन
dvdr-llm evaluate --abstraction-levels 1,2,3 --ensemble

RQ4: पैच गुणवत्ता के लिए भारित एकत्रीकरण

# पैच गुणवत्ता मेट्रिक्स का विश्लेषण करें (ROUGE, CodeBLEU, जटिलता)
python dvdr_llm/tools/patch_quality_analysis.py results/patches/ --weighted-scoring

# चित्र 4 उत्पन्न करें (पैच समानता और जटिलता विश्लेषण)
dvdr-llm visualize --patch-analysis --metrics results/patch_metrics.csv

मुख्य आंकड़े उत्पन्न करना

# मुख्य विरोध पैटर्न विश्लेषण आकृति (चित्र 2)
python dvdr_llm/visualization/conflict_pattern_plot.py results/metrics/reviewer_insights_disagreement_patterns.csv -o reviewer_insights

# सीमा संवेदनशीलता विश्लेषण (चित्र 3)
python dvdr_llm/visualization/enhanced_figure3_generator.py results/metrics/model_predictions.csv

# सांख्यिकीय सत्यापन प्लॉट (परिशिष्ट)
python dvdr_llm/analysis/statistical_significance_analysis.py --generate-plots

🔧 कॉन्फ़िगरेशन

मॉडल कॉन्फ़िगरेशन

LLM एंडपॉइंट्स को कॉन्फ़िगर करने के लिए dvdr_llm/config.py संपादित करें:

टूल डाउनलोड करें

सबसे लोकप्रिय

सभी देखें →

हमारे समुदाय द्वारा सबसे अधिक उपयोग किए जाने वाले उपकरण खोजें।

  • 1

    OsintHunter

    letox4/osinthunter

    🎯 अंतिम OSINT टूलकिट: जाँच ग्राफ़, विश्वास स्कोरिंग, उपनाम परिवार, मानचित्र, टाइमलाइन और रिपोर्ट। 49 मॉड्यूल, 400+ साइटें, किसी API कुंजी की आवश्यकता नहीं।

    806
  • 2

    ghostlock-app

    yukonga/ghostlock-app

    # घोस्टलॉक वन-टैप निष्पादन ऐप (CVE-2026-43499)

    523
  • 3

    ARTEX

    baarai/artex

    प्लानर/वर्कर एजेंट, एसेट और एक्सप्लोरेशन ग्राफ़, MITM ट्रैफ़िक रिकॉर्डिंग, और भेद्यता पुनःपरीक्षण के साथ LLM मल्टी-एजेंट स्वायत्त पेनेट्रेशन टेस्टिंग प्लेटफ़ॉर्म।

    441
  • 4

    redforge

    cybersecurity91/redforge

    ब्राउज़र-साइड रेड टीम टूलकिट, जिसमें रेकॉन, पेलोड जनरेशन, क्रेडेंशियल हमलों, क्रिप्टो, एन्कोडिंग और एंगेजमेंट रिपोर्टिंग के लिए 102 ऑफ़लाइन टूल्स हैं।

    346
  • 5

    looking-glass

    anonghosty/looking-glass

    CSIRT प्लेटफ़ॉर्म जो Shadowserver रिपोर्ट्स को MongoDB में इनजेस्ट करता है और उन्हें इंटरैक्टिव मैप्स, विश्लेषण, निष्कर्षों, सलाहों और कार्यकारी डैशबोर्ड के रूप में पुनः प्रस्तुत करता है।

    270
  • 6

    CyberStrikeAI

    ed1s0nz/cyberstrikeai

    AI-मूल साइबरसुरक्षा के लिए कार्रवाई की प्रणाली—जहाँ इरादा नियंत्रित निष्पादन बन जाता है, साक्ष्य परिचालन स्मृति बन जाता है, और हर ऑपरेशन अगले को बेहतर बनाता है।

    264

सभी उपकरण खोजें

हमारे उपकरणों का संग्रह ब्राउज़ करें

सभी उपकरण देखें →