Vulnerability Severity Classification Distilbert Base Uncased

🚀 漏洞嚴重程度分類 - DistilBERT基礎無大小寫模型

本模型是基於Transformer架構的分類模型，旨在根據漏洞描述對其嚴重程度進行分類，為安全評估提供有力支持。

🚀 快速開始

本模型是 distilbert/distilbert-base-uncased 在 CIRCL/vulnerability-scores 數據集上的微調版本。

在評估集上，該模型取得了以下結果：

• 損失值：0.6447
• 準確率：0.7595

✨ 主要特性

這是一個分類模型，旨在根據漏洞描述對其嚴重程度進行分類。

💻 使用示例

基礎用法

from transformers import AutoModelForSequenceClassification, AutoTokenizer
import torch

labels = ["low", "medium", "high", "critical"]

model_name = "vulnerability-severity-classification-distilbert-base-uncased"
tokenizer = AutoTokenizer.from_pretrained(model_name)
model = AutoModelForSequenceClassification.from_pretrained(model_name)
model.eval()

test_description = "langchain_experimental 0.0.14 allows an attacker to bypass the CVE-2023-36258 fix and execute arbitrary code via the PALChain in the python exec method."
inputs = tokenizer(test_description, return_tensors="pt", truncation=True, padding=True)

# Run inference
with torch.no_grad():
    outputs = model(**inputs)
    predictions = torch.nn.functional.softmax(outputs.logits, dim=-1)


# Print results
print("Predictions:", predictions)
predicted_class = torch.argmax(predictions, dim=-1).item()
print("Predicted severity:", labels[predicted_class])

🔧 技術細節

訓練和評估數據

更多信息待補充。

訓練過程

訓練超參數

訓練過程中使用了以下超參數：

• 學習率：2e-05
• 訓練批次大小：32
• 評估批次大小：32
• 隨機種子：42
• 優化器：使用 OptimizerNames.ADAMW_TORCH，β值為(0.9, 0.999)，ε值為 1e-08，無額外優化器參數
• 學習率調度器類型：線性
• 訓練輪數：5

訓練結果

框架版本

• Transformers 4.49.0
• Pytorch 2.6.0+cu124
• Datasets 3.3.2
• Tokenizers 0.21.0

📄 許可證

本項目採用 Apache-2.0 許可證。