Unixcoder Code Vulnerability Detector

🚀 UniXcoderによるコード脆弱性検出

このモデルは、C/C++コードの脆弱性検出に最適化された、MicrosoftのUniXcoderのファインチューニング版です。DetectVul/devignデータセットで学習され、68.34%の精度と62.14%のF1スコアを達成しています。このモデルはコードスニペットを入力として受け取り、それを安全(0) または脆弱性あり(1) のいずれかに分類します。

📚 モデルの詳細

✨ 主な機能

直接利用

このモデルは、静的コード解析、セキュリティ監査、およびソフトウェアリポジトリの自動脆弱性検出に使用できます。以下のようなユーザーに役立ちます。

• 開発者：潜在的なセキュリティ上の欠陥をコード内で分析するため。
• セキュリティチーム：既知の脆弱性をリポジトリ内でスキャンするため。
• 研究者：AIを搭載したシステムにおける脆弱性検出を研究するため。

下流利用

このモデルは、IDEプラグイン、CI/CDパイプライン、またはセキュリティスキャナーに統合して、リアルタイムの脆弱性検出を提供できます。

対象外の利用

• このモデルは人間のセキュリティ専門家を置き換えることを目的としていません。
• C/C++以外の言語に対しては汎化性能が低い可能性があります。
• データセットの制限により、誤検知や見逃しが発生する可能性があります。

⚠️ 重要提示

ユーザーはセキュリティ評価においてこのモデルのみに依存すべきではありません。代わりに、手動のコードレビューと静的解析ツールと併用するべきです。

💻 使用例

基本的な使用法

# このコードは、モデルをロードし、サンプルコードスニペットに対して推論を実行する方法を示しています。
from transformers import AutoTokenizer, AutoModelForSequenceClassification
import torch

# ファインチューニングされたモデルをロード
tokenizer = AutoTokenizer.from_pretrained("microsoft/unixcoder-base")
model = AutoModelForSequenceClassification.from_pretrained("mahdin70/unixcoder-code-vulnerability-detector")

# サンプルコードスニペット
code_snippet = """
void process(char *input) {
    char buffer[50];
    strcpy(buffer, input); // Potential buffer overflow
}
"""

# 入力をトークン化
inputs = tokenizer(code_snippet, return_tensors="pt", truncation=True, padding="max_length", max_length=512)

# 推論を実行
with torch.no_grad():
    outputs = model(**inputs)
    predictions = torch.nn.functional.softmax(outputs.logits, dim=-1)
    predicted_label = torch.argmax(predictions, dim=1).item()

# 結果を出力
print("Vulnerable Code" if predicted_label == 1 else "Safe Code")

🔧 技術詳細

学習データ

• データセット：DetectVul/devign
• クラス：0 (安全), 1 (脆弱性あり)
• サイズ：17483個のコードスニペット

学習手順

• オプティマイザー：AdamW
• 損失関数：交差エントロピー損失
• バッチサイズ：8
• 学習率：2e-5
• エポック数：3
• 使用ハードウェア：2x T4 GPU

評価指標

🌱 環境への影響

📄 ライセンス

このモデルはMITライセンスの下で提供されています。