Skip to content
KitploitKITPLOIT
FerramentasExploitsBlog
Log in
Enviar
FerramentasExploitsBlog
Enviar

Ferramentas de Hacking, PenTest e Cibersegurança para o seu Arsenal de Segurança!

Kitploit é um diretório de ferramentas de hacking, cibersegurança e pentesting. Descubra as últimas atualizações de projetos para encontrar vulnerabilidades, analisar sistemas, automatizar testes e fortalecer sua segurança.

FeedsContatoPrivacidade© 2026 Kitploit

Diretório de Ferramentas

Categorias

Ver todas as categorias
Loading categories
DCVD — O código em "DCVD: Fusão Cross-Modal de Canal Duplo para Detecção e Localização Conjunta de Vulnerabilidades" | Kitploit
Ferramentas/GitHubGitHub/vinsontang1/dcvd
Análise EstáticaAnálise de VulnerabilidadesAnálise de CódigoAprendizado de MáquinaPapers e PesquisaSegurança de IA
GitHubvinsontang1/dcvd

DCVD

O código em "DCVD: Fusão Cross-Modal de Canal Duplo para Detecção e Localização Conjunta de Vulnerabilidades"

Ver Repositório
242há 6 mesesAinda não revisado
Compartilhar

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

Fontes de Dados e Modelos

Conjunto de Dados

Usamos o conjunto de dados LineVul para detecção de vulnerabilidades:

Michael Fu e Chakkrit Tantithamthavorn, "LineVul: A Transformer-based Line-Level Vulnerability Prediction", MSR 2022.
Artigo: https://conf.researchr.org/details/msr-2022/msr-2022-technical-papers/26/LineVul-A-Transformer-based-Line-Level-Vulnerability-Prediction
Repositório: https://github.com/awsm-research/LineVul

Em seguida, pré-processamos o conjunto de dados em estruturas de grafo e alinhamos cada amostra com explicações geradas por LLM.

Modelos

Usamos os seguintes modelos pré-treinados:

  • OpenAI GPT-4o-mini

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

    • gpt-4o-mini-2024-07-18: utilizado para gerar explicações de LLM.
  • Modelos Qwen (série Qwen3)

    Equipe Qwen, "Qwen3 Technical Report", arXiv:2505.09388, 2025.
    Artigo: https://arxiv.org/abs/2505.09388
    Repositório: https://github.com/QwenLM/Qwen3

    • Qwen3.5-4B: utilizado como espinha dorsal de incorporação semântica (apenas camada de incorporação).
  • GraphCodeBERT

    Guo et al., "GraphCodeBERT: Pre-training Code Representations with Data Flow", ICLR 2021.
    Artigo: https://arxiv.org/abs/2009.08366
    Repositório: https://github.com/microsoft/CodeBERT

Licenças

Este projeto usa conjuntos de dados e modelos pré-treinados disponíveis publicamente. Suas licenças estão listadas abaixo:

  • Conjunto de Dados LineVul
    Licença: Licença MIT
    Fonte: https://github.com/awsm-research/LineVul

  • OpenAI GPT-4o-mini
    O uso está sujeito aos Termos de Uso da OpenAI.

  • Modelos Qwen (Qwen3.5-4B)
    Licença: Apache License 2.0
    Fonte: https://github.com/QwenLM/Qwen3

  • GraphCodeBERT
    Licença: Licença MIT
    Fonte: https://github.com/microsoft/CodeBERT

Todos os recursos são usados de acordo com suas respectivas licenças.

Configuração do Ambiente

Requisitos

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

Instalação do PyTorch Geometric

O PyTorch Geometric (PyG) depende de CUDA. Instale-o de acordo com o seu ambiente.

Preparação dos Dados

Estrutura de Diretórios

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

Formato CSV

O arquivo CSV deve conter os seguintes campos:

  • index: identificador único da amostra
  • func_before: código-fonte
  • llm_explanation: explicação gerada por LLM

Dados de Grafo (.pt)

Cada objeto Data do PyG deve incluir:

  • index: alinhado com o CSV
  • x: características dos nós
  • ast_edge_index: arestas da AST
  • cfg_edge_index: arestas do CFG
  • y_f: rótulo em nível de função
  • y_s: rótulos em nível de linha
  • line_mask: mapeamento de token para linha

Configuração do Modelo

O framework usa os seguintes modelos pré-treinados:

  • Via Semântica: Qwen/Qwen3.5-4B
  • Módulo Transformer: microsoft/graphcodebert-base

Você pode alterá-los através de:

--llm_model_name
--transformer_base_name

Início Rápido

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

Saída

Os resultados serão salvos em:

outputs/<run_name>/

Incluindo:

  • checkpoints do modelo
  • logs
  • result.json
Baixar ferramenta

Mais Populares

Ver todos →

Descubra as ferramentas mais usadas pela nossa comunidade.

  • 1

    OsintHunter

    letox4/osinthunter

    🎯 O kit definitivo de OSINT: grafo de investigação, pontuação de confiança, famílias de alias, mapa, linha do tempo e relatórios. 49 módulos, mais de 400 sites, sem necessidade de chaves de API.

    654
  • 2

    ghostlock-app

    yukonga/ghostlock-app

    # Aplicativo de Execução em Um Toque GhostLock (CVE-2026-43499)

    490
  • 3

    ARTEX

    baarai/artex

    Plataforma autônoma de testes de penetração multiagente com LLM, com agentes planejador/executor, grafos de ativos e de exploração, registro de tráfego MITM e reteste de vulnerabilidades.

    395
  • 4

    redforge

    cybersecurity91/redforge

    Kit de ferramentas de red team do lado do navegador com 102 ferramentas offline para reconhecimento, geração de payloads, ataques a credenciais, criptografia, codificação e relatórios de engajamento.

    336
  • 5

    CyberStrikeAI

    ed1s0nz/cyberstrikeai

    O sistema de ação para cibersegurança nativa em IA—onde a intenção se torna execução governada, a evidência se torna memória operacional, e cada operação melhora a próxima.

    258
  • 6

    antifox

    antifox-ai/antifox

    Plataforma de testes de penetração autónoma com multiagentes de IA que executa reconhecimento, descoberta de superfície de ataque, validação de exploração e entrega de relatórios com evidências.

    252

Explore todas as ferramentas

Navegue pela nossa coleção de ferramentas

Ver todas as ferramentas →