Qwen2.5-Coder-1.5B XSS Analyst
анализ уязвимостей в коде
2 мин чтенияобновлено
Этот инструмент представляет собой LoRA-адаптер (небольшую надстройку над базовой моделью) для Qwen2.5-Coder-1.5B-Instruct, обученный находить межсайтовый скриптинг (XSS) в исходном коде проектов на Vue 3, Django и Spring Boot. На выходе модель формирует структурированный JSON-отчет с источниками, путями потока данных, оценкой серьезности, готовыми исправлениями и концепт-доказательствами для тестирования. Модель также поддерживает диалоговый режим для ответов на вопросы по безопасности. Инструмент ориентирован на разработчиков и специалистов по информационной безопасности для первичного аудита кода.
Ключевые особенности
- Специализация на XSS: обнаружение уязвимостей в коде Vue 3, Django и Spring Boot.
- Структурированные отчеты: генерация результатов в формате JSON с путями потока данных и исправлениями.
- Гибридное обучение: двухэтапное обучение QLoRA на синтетических примерах и диалоговых данных.
- Доказательства концепции: создание PoC-пейлоадов для авторизованного тестирования безопасности.
Что можно сделать
- Просканировать проект: запустить анализ исходного кода файлов Python, JavaScript или шаблонов с помощью репозитория на GitHub.
- Получить JSON-отчет: выявить уязвимые участки кода с точным указанием строк и контекста вывода.
- Провести аудит: использовать модель для первичной проверки веб-приложений перед релизом.
- Изучить уязвимости: задавать вопросы по теории безопасности и разбору конкретных векторов атак.
Пример
from peft import PeftModel
from transformers import AutoModelForCausalLM, AutoTokenizer
base = "Qwen/Qwen2.5-Coder-1.5B-Instruct"
tok = AutoTokenizer.from_pretrained(base)
model = AutoModelForCausalLM.from_pretrained(base, torch_dtype="auto", device_map="auto")
model = PeftModel.from_pretrained(model, "hareramray325/qwen2.5-coder-1.5b-xss")
messages = [{"role": "user", "content": "What is DOM-based XSS?"}]
ids = tok.apply_chat_template(messages, add_generation_prompt=True, return_tensors="pt").to(model.device)
out = model.generate(ids, max_new_tokens=512, do_sample=False)
print(tok.decode(out[0, ids.shape[1]:], skip_special_tokens=True))
Подробнее
Базовая модель: Qwen/Qwen2.5-Coder-1.5B-InstructБиблиотека: peft (QLoRA)
Требования к железу: пиковое потребление VRAM 2.34 GiB (обучение на одной GPU с 8 ГБ)
Ограничения: около половины безопасного кода может ошибочно помечаться как уязвимое на новых паттернах, пропускает некоторые URL-синки javascript:










Комментарии