File size: 40,671 Bytes
62a0596
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122
123
124
125
126
127
128
129
130
131
132
133
134
135
136
137
138
139
140
141
142
143
144
145
146
147
148
149
150
151
152
153
154
155
156
157
158
159
160
161
162
163
164
165
166
167
168
169
170
171
172
173
174
175
176
177
178
179
180
181
182
183
184
185
186
187
188
189
190
191
192
193
194
195
196
197
198
199
200
201
202
203
204
205
206
207
208
209
210
211
212
213
214
215
216
217
218
219
220
221
222
223
224
225
226
227
228
229
230
231
232
233
234
235
236
237
238
239
240
241
242
243
244
245
246
247
248
249
250
251
252
253
254
255
256
257
258
259
260
261
262
263
264
265
266
267
268
269
270
271
272
273
274
275
276
277
278
279
280
281
282
283
284
285
286
287
288
289
290
291
292
293
294
295
296
297
298
299
300
301
302
303
304
305
306
307
308
309
310
311
312
313
314
315
316
317
318
319
320
321
322
323
324
325
326
327
328
329
330
331
332
333
334
335
336
337
338
339
340
341
342
343
344
345
346
347
348
349
350
351
352
353
354
355
356
357
358
359
360
361
362
363
364
365
366
367
368
369
370
371
372
373
374
375
376
377
378
379
380
381
382
383
384
385
386
387
388
389
390
391
392
393
394
395
396
397
398
399
400
401
402
403
404
405
406
407
408
409
410
411
412
413
414
415
416
417
418
419
420
421
422
423
424
425
426
427
428
429
430
431
432
433
434
435
436
437
438
439
440
441
442
443
444
445
446
447
448
449
450
451
452
453
454
455
456
457
458
459
460
461
462
463
464
465
466
467
468
469
470
471
472
473
474
475
476
477
478
479
480
481
482
483
484
485
486
487
488
489
490
491
492
493
494
495
496
497
498
499
500
501
502
503
504
505
506
507
508
509
510
511
512
513
514
515
516
517
518
519
520
521
522
523
524
525
526
527
528
529
530
531
532
533
534
535
536
537
538
539
540
541
542
543
544
545
546
547
548
549
550
551
552
553
554
555
556
557
558
559
560
561
562
563
564
565
566
567
568
569
570
571
572
573
574
575
576
577
578
579
580
581
582
583
584
585
586
587
588
589
590
591
592
593
594
595
596
597
598
599
600
601
602
603
604
605
606
607
608
609
610
611
612
613
614
615
616
617
618
619
620
621
622
623
624
625
626
627
628
629
630
631
632
633
634
635
636
637
638
639
640
641
642
643
644
645
646
647
648
649
650
651
652
653
654
655
656
657
658
659
660
661
662
663
664
665
666
667
668
669
670
671
672
673
674
675
676
677
678
679
680
681
682
683
684
685
686
687
688
689
690
691
692
693
694
695
696
697
698
699
700
701
702
703
704
705
706
707
708
709
710
711
712
713
714
715
716
717
718
719
720
721
722
723
724
725
726
727
728
729
730
731
732
733
734
735
736
737
738
739
740
741
742
743
744
745
746
747
748
749
750
751
752
753
754
755
756
757
758
759
760
761
762
763
764
765
766
767
768
769
770
771
772
773
774
775
776
777
778
779
780
781
782
783
784
785
786
787
788
789
790
791
792
793
794
795
796
797
798
799
800
801
802
803
804
805
806
807
808
809
810
811
812
813
814
815
816
817
818
819
820
821
822
823
824
825
826
827
828
829
830
831
832
833
834
835
836
837
838
839
840
841
842
843
844
845
846
847
848
849
850
851
852
853
854
855
856
857
858
859
860
861
862
863
864
865
866
867
868
869
870
871
872
873
874
875
876
877
878
879
880
881
882
883
884
885
886
887
888
889
890
891
892
893
894
895
896
897
898
899
900
901
902
#!/usr/bin/env python3
import os
import sys
import time
import random
import logging
import requests
import json
import re
import subprocess
import shutil
from datetime import datetime
from pathlib import Path

import streamlit as st
import pandas as pd
import plotly.express as px
import plotly.graph_objects as go
from bs4 import BeautifulSoup
import html2text
import kaggle

# Importation des configurations
from config import app_config as config
# Configuration de la page Streamlit
st.set_page_config(
    page_title="DevSecOps Data Bot",
    layout="wide",
    initial_sidebar_state="expanded"
)

# Configuration du logging
def setup_logging():
    log_dir = Path("logs")
    log_dir.mkdir(exist_ok=True)
    
    log_file = log_dir / f"data_collector_{datetime.now().strftime('%Y%m%d_%H%M%S')}.log"
    
    logging.basicConfig(
        level=logging.INFO,
        format='%(asctime)s - %(levelname)s - %(message)s',
        handlers=[
            logging.FileHandler(log_file),
            logging.StreamHandler(sys.stdout)
        ]
    )
    return logging.getLogger(__name__)

logger = setup_logging()

# Création des répertoires et scripts nécessaires
def create_initial_setup():
    dirs = [
        "data/devsecops/qa", "data/security/qa", "data/development/qa",
        "data/data_analysis/qa", "logs", "config", "server", "scripts",
        "models", "llama.cpp", ".kaggle"
    ]
    for dir_path in dirs:
        Path(dir_path).mkdir(parents=True, exist_ok=True)
    
    download_script = Path("scripts/download_with_aria2c.sh")
    if not download_script.exists():
        with open(download_script, 'w') as f:
            f.write("""#!/bin/bash
URL=$1
OUTPUT=$2
MAX_RETRIES=5
for i in $(seq 1 $MAX_RETRIES); do
    echo "Tentative $i/$MAX_RETRIES: $URL"
    aria2c -x 16 -s 16 -d "$(dirname "$OUTPUT")" -o "$(basename "$OUTPUT")" "$URL" && break
    sleep 10
done
""")
        os.chmod(download_script, 0o755)
    
    llama_dir = Path("llama.cpp")
    if not llama_dir.exists():
        st.info("Installation de llama.cpp...")
        subprocess.run(["git", "clone", "https://github.com/ggerganov/llama.cpp.git", str(llama_dir)])
        os.chdir(str(llama_dir))
        subprocess.run(["mkdir", "-p", "build"])
        os.chdir("build")
        subprocess.run(["cmake", "..", "-DLLAMA_CURL=1"])
        subprocess.run(["cmake", "--build", ".", "--config", "Release"])
        os.chdir(Path(__file__).parent)

    model_path = Path("models/qwen2.5-1.5b-instruct-q8_0.gguf")
    if not model_path.exists():
        st.warning("Le modèle GGUF n'existe pas. Téléchargement en cours...")
        Path("models").mkdir(exist_ok=True)
        model_url = "https://huggingface.co/Qwen/Qwen2.5-1.5B-Instruct-GGUF/resolve/main/qwen2.5-1.5b-instruct-q8_0.gguf"
        try:
            subprocess.run(["bash", str(download_script), model_url, str(model_path)])
            if model_path.exists():
                st.success("Modèle GGUF téléchargé avec succès!")
            else:
                st.error("Échec du téléchargement du modèle GGUF. Veuillez le placer manuellement dans le dossier models/")
        except Exception as e:
            st.error(f"Erreur lors du téléchargement du modèle: {str(e)}")

# Convertisseur HTML vers texte
h = html2text.HTML2Text()
h.ignore_links = False
h.ignore_images = True
h.ignore_emphasis = False
h.body_width = 0

# Fonctions pour le serveur LLM (llama.cpp)
def check_server_status():
    try:
        response = requests.get("http://localhost:8080/health", timeout=2)
        if response.status_code == 200:
            st.session_state.server_status = "Actif"
            return True
        else:
            st.session_state.server_status = "Inactif"
            return False
    except requests.exceptions.RequestException:
        st.session_state.server_status = "Inactif"
        return False

def start_llm_server():
    if check_server_status():
        st.info("Le serveur llama.cpp est déjà en cours d'exécution.")
        return
    
    model_path = Path("models/qwen2.5-1.5b-instruct-q8_0.gguf")
    if not model_path.exists():
        st.error("Le modèle GGUF n'existe pas. Veuillez le placer dans le dossier models/.")
        return
    
    llama_server = Path("llama.cpp/build/bin/llama-server")
    if not llama_server.exists():
        st.error("llama.cpp n'est pas compilé. Veuillez compiler llama.cpp d'abord.")
        return
    
    start_script = Path("server/start_server.sh")
    if not start_script.exists():
        with open(start_script, 'w') as f:
            f.write(f"""#!/bin/bash
MODEL_PATH="{str(model_path)}"
if [ ! -f "$MODEL_PATH" ]; then
    echo "Le modèle GGUF est introuvable à: $MODEL_PATH"
    exit 1
fi
"{str(llama_server)}" \\
  -m "$MODEL_PATH" \\
  --port 8080 \\
  --host 0.0.0.0 \\
  -c 4096 \\
  -ngl 999 \\
  --threads 8 \\
  > "logs/llama_server.log" 2>&1 &
echo $! > "server/server.pid"
""")
        os.chmod(start_script, 0o755)
    
    try:
        subprocess.Popen(["bash", str(start_script)])
        st.success("Le serveur llama.cpp est en cours de démarrage...")
        time.sleep(5)
        if check_server_status():
            st.success("Serveur llama.cpp démarré avec succès!")
        else:
            st.error("Le serveur n'a pas pu démarrer. Vérifiez les logs dans le dossier logs/.")
    except Exception as e:
        st.error(f"Erreur lors du démarrage du serveur: {str(e)}")

def stop_llm_server():
    stop_script = Path("server/stop_server.sh")
    if not stop_script.exists():
        with open(stop_script, 'w') as f:
            f.write("""#!/bin/bash
PID_FILE="server/server.pid"
if [ -f "$PID_FILE" ]; then
    PID=$(cat "$PID_FILE")
    kill $PID
    rm "$PID_FILE"
    echo "Serveur llama.cpp arrêté."
else
    echo "Aucun PID de serveur trouvé."
fi
""")
        os.chmod(stop_script, 0o755)
    
    try:
        subprocess.run(["bash", str(stop_script)])
        st.success("Le serveur llama.cpp est en cours d'arrêt...")
        time.sleep(2)
        if not check_server_status():
            st.success("Serveur llama.cpp arrêté avec succès!")
        else:
            st.warning("Le serveur n'a pas pu être arrêté correctement.")
    except Exception as e:
        st.error(f"Erreur lors de l'arrêt du serveur: {str(e)}")

def load_prompts():
    prompts_file = Path("config/prompts.json")
    if not prompts_file.exists():
        default_prompts = {
            "enrich_qa": {
                "system": "Tu es un expert DevSecOps. Améliore cette paire question/réponse en y ajoutant des tags, des signatures d'attaques potentielles, et en structurant les informations. Réponds uniquement avec un objet JSON.",
                "prompt_template": "Question originale: {question}\nRéponse originale: {answer}\nContexte: {context}\n\nFournis une version améliorée sous forme de JSON:\n{{\n  \"question\": \"question améliorée\",\n  \"answer\": \"réponse améliorée\",\n  \"tags\": [\"tag1\", \"tag2\"],\n  \"attack_signatures\": [\"signature1\", \"signature2\"]\n}}"
            },
            "analyze_relevance": {
                "system": "Analyse ce contenu et détermine s'il est pertinent pour DevSecOps. Si pertinent, extrais les signatures d'attaques connues. Réponds uniquement avec un objet JSON.",
                "prompt_template": "Contenu: {content}...\n\nRéponds sous forme de JSON:\n{{\n  \"relevant\": true,\n  \"attack_signatures\": [\"signature1\", \"signature2\"],\n  \"security_tags\": [\"tag1\", \"tag2\"],\n  \"it_relevance_score\": 0-100\n}}"
            },
            "generate_queries": {
                "system": "Analyse les données actuelles et génère 5 nouvelles requêtes de recherche pour trouver plus de contenu DevSecOps pertinent, en particulier des signatures d'attaques et vulnérabilités. Réponds uniquement avec un objet JSON.",
                "prompt_template": "Données actuelles: {current_data}...\n\nRéponds sous forme de JSON:\n{{\n  \"queries\": [\"query1\", \"query2\", \"query3\", \"query4\", \"query5\"]\n}}"
            }
        }
        with open(prompts_file, 'w') as f:
            json.dump(default_prompts, f, indent=2)
    
    with open(prompts_file, 'r', encoding='utf-8') as f:
        return json.load(f)

PROMPTS = load_prompts()

class IAEnricher:
    def __init__(self):
        self.server_url = config.LLM_SERVER_URL
        self.available = check_server_status()
        if self.available:
            logger.info("Serveur llama.cpp détecté et prêt.")
        else:
            logger.warning("Serveur llama.cpp non disponible. Les fonctionnalités d'IA seront désactivées.")
    
    def _get_qwen_response(self, prompt, **kwargs):
        if not self.available:
            return None
        
        payload = {
            "prompt": prompt,
            "n_predict": kwargs.get('n_predict', 512),
            "temperature": kwargs.get('temperature', 0.7),
            "stop": ["<|im_end|>", "</s>"]
        }
        
        try:
            response = requests.post(self.server_url, json=payload, timeout=60)
            if response.status_code == 200:
                return response.json().get('content', '')
            else:
                logger.error(f"Erreur du serveur LLM: {response.status_code} - {response.text}")
                return None
        except requests.exceptions.RequestException as e:
            logger.error(f"Erreur de connexion au serveur LLM: {str(e)}")
            return None
    
    def enrich_qa_pair(self, question, answer, context=""):
        if not self.available or not st.session_state.enable_enrichment:
            return question, answer, [], []
        
        prompt_template = PROMPTS.get("enrich_qa", {}).get("prompt_template", "")
        system_prompt = PROMPTS.get("enrich_qa", {}).get("system", "")
        
        full_prompt = f"{system_prompt}\n\n{prompt_template.format(question=question, answer=answer, context=context[:500])}"
        response_text = self._get_qwen_response(full_prompt, n_predict=1024)
        
        if response_text:
            try:
                json_match = re.search(r'\{.*\}', response_text, re.DOTALL)
                if json_match:
                    enriched_data = json.loads(json_match.group())
                    return (
                        enriched_data.get('question', question),
                        enriched_data.get('answer', answer),
                        enriched_data.get('tags', []),
                        enriched_data.get('attack_signatures', [])
                    )
            except json.JSONDecodeError as e:
                logger.warning(f"Erreur de décodage JSON de la réponse IA: {e}")
        
        return question, answer, [], []
    
    def analyze_content_relevance(self, content):
        if not self.available or not st.session_state.enable_enrichment:
            return True, [], [], 50
        
        prompt_template = PROMPTS.get("analyze_relevance", {}).get("prompt_template", "")
        system_prompt = PROMPTS.get("analyze_relevance", {}).get("system", "")
        
        full_prompt = f"{system_prompt}\n\n{prompt_template.format(content=content[:1500])}"
        response_text = self._get_qwen_response(full_prompt, n_predict=256, temperature=st.session_state.temperature)
        
        if response_text:
            try:
                json_match = re.search(r'\{.*\}', response_text, re.DOTALL)
                if json_match:
                    analysis = json.loads(json_match.group())
                    return (
                        analysis.get('relevant', True),
                        analysis.get('attack_signatures', []),
                        analysis.get('security_tags', []),
                        analysis.get('it_relevance_score', 50)
                    )
            except json.JSONDecodeError as e:
                logger.warning(f"Erreur de décodage JSON de la réponse IA: {e}")
        return True, [], [], 50
    
    def generate_adaptive_queries(self, current_data):
        if not self.available or not st.session_state.enable_enrichment:
            return []
        
        prompt_template = PROMPTS.get("generate_queries", {}).get("prompt_template", "")
        system_prompt = PROMPTS.get("generate_queries", {}).get("system", "")
        
        full_prompt = f"{system_prompt}\n\n{prompt_template.format(current_data=current_data[:1000])}"
        response_text = self._get_qwen_response(full_prompt, n_predict=st.session_state.n_predict)
        
        if response_text:
            try:
                json_match = re.search(r'\{.*\}', response_text, re.DOTALL)
                if json_match:
                    queries_data = json.loads(json_match.group())
                    return queries_data.get('queries', [])
            except json.JSONDecodeError as e:
                logger.warning(f"Erreur de décodage JSON de la réponse IA: {e}")
        return []

ia_enricher = IAEnricher()

def check_api_keys():
    keys = {
        'GITHUB_API_TOKEN': os.getenv('GITHUB_API_TOKEN'),
        'HUGGINGFACE_API_TOKEN': os.getenv('HUGGINGFACE_API_TOKEN'),
        'NVD_API_KEY': os.getenv('NVD_API_KEY'),
        'STACK_EXCHANGE_API_KEY': os.getenv('STACK_EXCHANGE_API_KEY')
    }
    
    valid_keys = {k: v for k, v in keys.items() if v and v != f'your_{k.lower()}_here'}
    
    config.USE_API_KEYS = len(valid_keys) == len(keys)
    if not config.USE_API_KEYS:
        missing = set(keys.keys()) - set(valid_keys.keys())
        logger.warning(f"Clés d'API manquantes ou non configurées: {', '.join(missing)}")
        logger.warning("Le bot fonctionnera en mode dégradé avec des pauses plus longues.")
    else:
        logger.info("Toutes les clés d'API sont configurées.")
    return config.USE_API_KEYS

def make_request(url, headers=None, params=None, is_api_call=True):
    global REQUEST_COUNT
    
    pause_factor = 1 if config.USE_API_KEYS else 2
    
    if config.REQUEST_COUNT >= config.MAX_REQUESTS_BEFORE_PAUSE:
        pause_time = random.uniform(config.MIN_PAUSE * pause_factor, config.MAX_PAUSE * pause_factor)
        logger.info(f"Pause de {pause_time:.2f} secondes après {config.REQUEST_COUNT} requêtes...")
        time.sleep(pause_time)
        config.REQUEST_COUNT = 0
    
    try:
        response = requests.get(url, headers=headers, params=params, timeout=30)
        config.REQUEST_COUNT += 1
        
        if response.status_code == 200:
            return response
        elif response.status_code in [401, 403]:
            logger.warning(f"Accès non autorisé à {url}. Vérifiez vos clés d'API.")
            return None
        elif response.status_code == 429:
            retry_after = int(response.headers.get('Retry-After', 10))
            logger.warning(f"Limite de débit atteinte. Pause de {retry_after} secondes...")
            time.sleep(retry_after)
            return make_request(url, headers, params, is_api_call)
        else:
            logger.warning(f"Statut HTTP {response.status_code} pour {url}")
            return None
    except requests.exceptions.RequestException as e:
        logger.error(f"Erreur lors de la requête à {url}: {str(e)}")
        return None

def clean_html(html_content):
    if not html_content:
        return ""
    text = h.handle(html_content)
    text = re.sub(r'\s+', ' ', text).strip()
    return text

def save_qa_pair(question, answer, category, subcategory, source, attack_signatures=None, tags=None):
    global TOTAL_QA_PAIRS
    
    if ia_enricher.available and st.session_state.enable_enrichment:
        enriched_question, enriched_answer, enriched_tags, enriched_signatures = ia_enricher.enrich_qa_pair(
            question, answer, f"{category}/{subcategory}"
        )
        
        question = enriched_question
        answer = enriched_answer
        tags = list(set((tags or []) + enriched_tags))
        attack_signatures = list(set((attack_signatures or []) + enriched_signatures))
    
    save_dir = Path("data") / category / "qa"
    save_dir.mkdir(parents=True, exist_ok=True)
    
    timestamp = datetime.now().strftime("%Y%m%d_%H%M%S")
    filename = f"{subcategory}_{source}_{TOTAL_QA_PAIRS}_{timestamp}.json"
    filename = re.sub(r'[^\w\s-]', '', filename).replace(' ', '_')
    
    qa_data = {
        "question": question,
        "answer": answer,
        "category": category,
        "subcategory": subcategory,
        "source": source,
        "timestamp": timestamp,
        "attack_signatures": attack_signatures or [],
        "tags": tags or []
    }
    
    try:
        with open(save_dir / filename, "w", encoding="utf-8") as f:
            json.dump(qa_data, f, indent=2, ensure_ascii=False)
        
        config.TOTAL_QA_PAIRS += 1
        st.session_state.total_qa_pairs = config.TOTAL_QA_PAIRS
        st.session_state.qa_data.append(qa_data)
        
        logger.info(f"Paire Q/R sauvegardée: {filename} (Total: {config.TOTAL_QA_PAIRS})")
        st.session_state.logs.append(f"Sauvegardé: {filename}")
    except Exception as e:
        logger.error(f"Erreur lors de la sauvegarde du fichier {filename}: {str(e)}")

def collect_kaggle_data(queries):
    logger.info("Début de la collecte des données Kaggle...")
    kaggle_dir = Path(".kaggle")
    kaggle_json = kaggle_dir / "kaggle.json"
    if not kaggle_json.exists():
        logger.warning("Fichier kaggle.json non trouvé. Veuillez le placer dans le dossier .kaggle/")
        return
    
    os.environ['KAGGLE_CONFIG_DIR'] = str(kaggle_dir.absolute())
    
    try:
        kaggle.api.authenticate()
    except Exception as e:
        logger.error(f"Erreur d'authentification Kaggle: {str(e)}")
        return
    
    search_queries = queries.split('\n') if queries else ["cybersecurity", "vulnerability"]
    
    if ia_enricher.available and st.session_state.enable_enrichment:
        adaptive_queries = ia_enricher.generate_adaptive_queries("Initial data keywords: " + ", ".join(search_queries))
        search_queries.extend(adaptive_queries)
    
    for query in list(set(search_queries)):
        logger.info(f"Recherche de datasets Kaggle pour: {query}")
        try:
            datasets = kaggle.api.dataset_list(search=query, max_results=5)
            for dataset in datasets:
                dataset_ref = dataset.ref
                if ia_enricher.available and st.session_state.enable_enrichment:
                    is_relevant, _, _, relevance_score = ia_enricher.analyze_content_relevance(dataset.title + " " + dataset.subtitle)
                    if not is_relevant or relevance_score < st.session_state.min_relevance:
                        logger.info(f"Dataset non pertinent ({relevance_score}%): {dataset_ref}. Ignoré.")
                        continue
                
                logger.info(f"Traitement du dataset: {dataset_ref}")
                download_dir = Path("data") / "security" / "kaggle" / dataset_ref.replace('/', '_')
                download_dir.mkdir(parents=True, exist_ok=True)
                kaggle.api.dataset_download_files(dataset_ref, path=download_dir, unzip=True)
                
                for file_path in download_dir.glob('*'):
                    if file_path.is_file() and file_path.suffix.lower() in ['.json', '.csv', '.txt']:
                        try:
                            with open(file_path, 'r', encoding='utf-8', errors='ignore') as f:
                                file_content = f.read()[:5000]
                            is_relevant, signatures, security_tags, _ = ia_enricher.analyze_content_relevance(file_content)
                            if is_relevant:
                                save_qa_pair(
                                    question=f"Quelles informations de sécurité contient le fichier {file_path.name} du dataset '{dataset.title}'?",
                                    answer=file_content, category="security", subcategory="vulnerability",
                                    source=f"kaggle_{dataset_ref}", attack_signatures=signatures, tags=security_tags
                                )
                        except Exception as e:
                            logger.error(f"Erreur lors du traitement du fichier {file_path}: {str(e)}")
                time.sleep(random.uniform(2, 4))
        except Exception as e:
            logger.error(f"Erreur lors de la collecte des données Kaggle pour {query}: {str(e)}")
    logger.info("Collecte des données Kaggle terminée.")

def collect_github_data(queries):
    logger.info("Début de la collecte des données GitHub...")
    base_url = "https://api.github.com"
    headers = {"Accept": "application/vnd.github.v3+json"}
    if config.USE_API_KEYS:
        token = os.getenv('GITHUB_API_TOKEN')
        headers["Authorization"] = f"token {token}"
    
    search_queries = queries.split('\n') if queries else ["topic:devsecops", "topic:security"]
    
    for query in search_queries:
        logger.info(f"Recherche de repositories pour: {query}")
        search_url = f"{base_url}/search/repositories"
        params = {"q": query, "sort": "stars", "per_page": 10}
        response = make_request(search_url, headers=headers, params=params)
        if not response:
            continue
        
        data = response.json()
        for repo in data.get("items", []):
            repo_name = repo["full_name"].replace("/", "_")
            logger.info(f"Traitement du repository: {repo['full_name']}")
            
            issues_url = f"{base_url}/repos/{repo['full_name']}/issues"
            issues_params = {"state": "closed", "labels": "security,bug,vulnerability", "per_page": 10}
            issues_response = make_request(issues_url, headers=headers, params=issues_params)
            
            if issues_response:
                issues_data = issues_response.json()
                for issue in issues_data:
                    if "pull_request" in issue: continue
                    question = issue.get("title", "")
                    body = clean_html(issue.get("body", ""))
                    if not question or not body or len(body) < 50: continue
                    
                    comments_url = issue.get("comments_url")
                    comments_response = make_request(comments_url, headers=headers)
                    answer_parts = []
                    if comments_response:
                        comments_data = comments_response.json()
                        for comment in comments_data:
                            comment_body = clean_html(comment.get("body", ""))
                            if comment_body: answer_parts.append(comment_body)
                    
                    if answer_parts:
                        answer = "\n\n".join(answer_parts)
                        save_qa_pair(
                            question=f"{question}: {body}", answer=answer, category="devsecops",
                            subcategory="github", source=f"github_{repo_name}"
                        )
            time.sleep(random.uniform(1, 3))
    logger.info("Collecte des données GitHub terminée.")

def collect_huggingface_data(queries):
    logger.info("Début de la collecte des données Hugging Face...")
    base_url = "https://huggingface.co/api"
    headers = {"Accept": "application/json"}
    if config.USE_API_KEYS:
        token = os.getenv('HUGGINGFACE_API_TOKEN')
        headers["Authorization"] = f"Bearer {token}"
    
    search_queries = queries.split('\n') if queries else ["security", "devsecops"]
    for query in search_queries:
        logger.info(f"Recherche de datasets pour: {query}")
        search_url = f"{base_url}/datasets"
        params = {"search": query, "limit": 10}
        response = make_request(search_url, headers=headers, params=params)
        if not response: continue
        
        data = response.json()
        for dataset in data:
            dataset_id = dataset["id"].replace("/", "_")
            logger.info(f"Traitement du dataset: {dataset['id']}")
            dataset_url = f"{base_url}/datasets/{dataset['id']}"
            dataset_response = make_request(dataset_url, headers=headers)
            
            if dataset_response:
                dataset_data = dataset_response.json()
                description = clean_html(dataset_data.get("description", ""))
                if not description or len(description) < 100: continue
                tags = dataset_data.get("tags", [])
                tags_text = ", ".join(tags) if tags else "No tags"
                answer = f"Dataset: {dataset_data.get('id', '')}\nDownloads: {dataset_data.get('downloads', 0)}\nTags: {tags_text}\n\n{description}"
                
                save_qa_pair(
                    question=f"What is the {dataset_data.get('id', '')} dataset about?", answer=answer,
                    category="security", subcategory="dataset", source=f"huggingface_{dataset_id}", tags=tags
                )
            time.sleep(random.uniform(1, 3))
    logger.info("Collecte des données Hugging Face terminée.")

def collect_nvd_data():
    logger.info("Début de la collecte des données NVD...")
    base_url = "https://services.nvd.nist.gov/rest/json/cves/2.0"
    headers = {"Accept": "application/json"}
    if config.USE_API_KEYS:
        key = os.getenv('NVD_API_KEY')
        headers["apiKey"] = key
    
    params = {"resultsPerPage": 50}
    response = make_request(base_url, headers=headers, params=params)
    if not response:
        logger.warning("Impossible de récupérer les données du NVD.")
        return
    
    data = response.json()
    vulnerabilities = data.get("vulnerabilities", [])
    logger.info(f"Traitement de {len(vulnerabilities)} vulnérabilités...")
    
    for vuln in vulnerabilities:
        cve_data = vuln.get("cve", {})
        cve_id = cve_data.get("id", "")
        descriptions = cve_data.get("descriptions", [])
        description = next((desc.get("value", "") for desc in descriptions if desc.get("lang") == "en"), "")
        if not description or len(description) < 50: continue
        
        cvss_v3 = cve_data.get("metrics", {}).get("cvssMetricV31", [{}])[0].get("cvssData", {})
        severity = cvss_v3.get("baseSeverity", "UNKNOWN")
        score = cvss_v3.get("baseScore", 0)
        references = [ref.get("url", "") for ref in cve_data.get("references", [])]
        
        answer = f"CVE ID: {cve_id}\nSeverity: {severity}\nCVSS Score: {score}\nReferences: {', '.join(references[:5])}\n\nDescription: {description}"
        
        save_qa_pair(
            question=f"What is the vulnerability {cve_id}?", answer=answer,
            category="security", subcategory="vulnerability", source=f"nvd_{cve_id}"
        )
    logger.info("Collecte des données NVD terminée.")

def collect_stack_exchange_data(queries):
    logger.info("Début de la collecte des données Stack Exchange...")
    base_url = "https://api.stackexchange.com/2.3"
    params_base = {"pagesize": 10, "order": "desc", "sort": "votes", "filter": "withbody"}
    if config.USE_API_KEYS:
        key = os.getenv('STACK_EXCHANGE_API_KEY')
        params_base["key"] = key
    
    sites = [
        {"site": "security", "category": "security", "subcategory": "security"},
        {"site": "devops", "category": "devsecops", "subcategory": "devops"}
    ]
    
    tags_by_site = {
        "security": ["security", "vulnerability"],
        "devops": ["devops", "ci-cd"]
    }
    
    for site_config in sites:
        site = site_config["site"]
        category = site_config["category"]
        subcategory = site_config["subcategory"]
        logger.info(f"Collecte des données du site: {site}")
        tags = tags_by_site.get(site, []) + (queries.split('\n') if queries else [])
        
        for tag in list(set(tags)):
            logger.info(f"Recherche de questions avec le tag: {tag}")
            questions_url = f"{base_url}/questions"
            params = {**params_base, "site": site, "tagged": tag}
            
            response = make_request(questions_url, params=params)
            if not response: continue
            
            questions_data = response.json()
            for question in questions_data.get("items", []):
                question_id = question.get("question_id")
                title = question.get("title", "")
                body = clean_html(question.get("body", ""))
                if not body or len(body) < 50: continue
                
                answers_url = f"{base_url}/questions/{question_id}/answers"
                answers_params = {**params_base, "site": site}
                answers_response = make_request(answers_url, params=answers_params)
                answer_body = ""
                if answers_response and answers_response.json().get("items"):
                    answer_body = clean_html(answers_response.json()["items"][0].get("body", ""))
                
                if answer_body:
                    save_qa_pair(
                        question=title, answer=answer_body, category=category,
                        subcategory=subcategory, source=f"{site}_{question_id}", tags=question.get("tags", [])
                    )
                time.sleep(random.uniform(1, 3))
    logger.info("Collecte des données Stack Exchange terminée.")

def run_data_collection(sources, queries):
    st.session_state.bot_status = "En cours d'exécution"
    st.session_state.logs = []
    
    check_api_keys()
    
    progress_bar = st.progress(0)
    status_text = st.empty()
    
    enabled_sources = [s for s, enabled in sources.items() if enabled]
    total_sources = len(enabled_sources)
    completed_sources = 0
    
    for source_name in enabled_sources:
        status_text.text(f"Collecte des données de {source_name}...")
        try:
            if source_name == "Kaggle":
                collect_kaggle_data(queries.get("Kaggle", ""))
            elif source_name == "GitHub":
                collect_github_data(queries.get("GitHub", ""))
            elif source_name == "Hugging Face":
                collect_huggingface_data(queries.get("Hugging Face", ""))
            elif source_name == "NVD":
                collect_nvd_data()
            elif source_name == "Stack Exchange":
                collect_stack_exchange_data(queries.get("Stack Exchange", ""))
        except Exception as e:
            logger.error(f"Erreur fatale lors de la collecte de {source_name}: {str(e)}")
        
        completed_sources += 1
        progress_bar.progress(completed_sources / total_sources)
    
    st.session_state.bot_status = "Terminé"
    status_text.text(f"Collecte terminée. Total de paires Q/R sauvegardées: {st.session_state.total_qa_pairs}")

def create_visualizations():
    if not st.session_state.qa_data:
        st.info("Aucune donnée à visualiser. Lancez d'abord la collecte de données.")
        return
    
    df = pd.DataFrame(st.session_state.qa_data)
    
    st.subheader("Répartition des données par catégorie")
    category_counts = df['category'].value_counts()
    fig1 = px.pie(values=category_counts.values, names=category_counts.index, title="Répartition par catégorie")
    st.plotly_chart(fig1, use_container_width=True)
    
    st.subheader("Répartition des données par sous-catégorie")
    subcategory_counts = df['subcategory'].value_counts().head(10)
    fig2 = px.bar(x=subcategory_counts.values, y=subcategory_counts.index, orientation='h', 
                  title="Top 10 des sous-catégories", labels={'x': 'Nombre de paires Q/R', 'y': 'Sous-catégorie'})
    st.plotly_chart(fig2, use_container_width=True)
    
    st.subheader("Répartition des données par source")
    source_counts = df['source'].value_counts().head(10)
    fig3 = px.bar(x=source_counts.values, y=source_counts.index, orientation='h', 
                  title="Top 10 des sources", labels={'x': 'Nombre de paires Q/R', 'y': 'Source'})
    st.plotly_chart(fig3, use_container_width=True)
    
    st.subheader("Tags les plus fréquents")
    all_tags = [tag for tags_list in df['tags'] for tag in tags_list]
    if all_tags:
        tag_counts = pd.Series(all_tags).value_counts().head(15)
        fig5 = px.bar(x=tag_counts.values, y=tag_counts.index, orientation='h', 
                      title="Top 15 des tags", labels={'x': 'Fréquence', 'y': 'Tag'})
        st.plotly_chart(fig5, use_container_width=True)
    
    st.subheader("Signatures d'attaques les plus fréquentes")
    all_signatures = [sig for sigs_list in df['attack_signatures'] for sig in sigs_list]
    if all_signatures:
        signature_counts = pd.Series(all_signatures).value_counts().head(15)
        fig6 = px.bar(x=signature_counts.values, y=signature_counts.index, orientation='h', 
                      title="Top 15 des signatures d'attaques", labels={'x': 'Fréquence', 'y': 'Signature'})
        st.plotly_chart(fig6, use_container_width=True)

def main():
    create_initial_setup()
    
    st.title("🤖 DevSecOps Data Bot")
    st.markdown("---")
    
    col1, col2, col3 = st.columns(3)
    with col1:
        st.metric("Statut du bot", st.session_state.bot_status)
    with col2:
        check_server_status() # Met à jour le statut
        st.metric("Statut du serveur llama.cpp", st.session_state.server_status)
    with col3:
        st.metric("Paires Q/R collectées", st.session_state.total_qa_pairs)
    
    st.markdown("---")
    
    tab1, tab2, tab3, tab4 = st.tabs(["Réglages", "Collecte", "Traitement IA", "Résultats"])
    
    with tab1:
        st.header("Réglages")
        subtab1, subtab2, subtab3 = st.tabs(["Clés d'API", "Serveur llama.cpp", "Performance"])
        
        with subtab1:
            st.subheader("Clés d'API")
            github_token = st.text_input("GitHub API Token", value=os.getenv('GITHUB_API_TOKEN', ''), type="password")
            huggingface_token = st.text_input("Hugging Face API Token", value=os.getenv('HUGGINGFACE_API_TOKEN', ''), type="password")
            nvd_api_key = st.text_input("NVD API Key", value=os.getenv('NVD_API_KEY', ''), type="password")
            stack_exchange_key = st.text_input("Stack Exchange API Key", value=os.getenv('STACK_EXCHANGE_API_KEY', ''), type="password")
            
            if st.button("Sauvegarder les clés d'API"):
                with open(config.env_path, 'w') as f:
                    f.write(f"GITHUB_API_TOKEN={github_token}\n")
                    f.write(f"HUGGINGFACE_API_TOKEN={huggingface_token}\n")
                    f.write(f"NVD_API_KEY={nvd_api_key}\n")
                    f.write(f"STACK_EXCHANGE_API_KEY={stack_exchange_key}\n")
                    f.write(f"LLM_SERVER_URL={os.getenv('LLM_SERVER_URL', 'http://localhost:8080/completion')}\n")
                
                config.load_dotenv(dotenv_path=config.env_path)
                check_api_keys()
                st.success("Clés d'API sauvegardées!")
        
        with subtab2:
            st.subheader("Serveur llama.cpp")
            
            col1, col2 = st.columns(2)
            with col1:
                if st.button("Démarrer le serveur"):
                    start_llm_server()
            with col2:
                if st.button("Arrêter le serveur"):
                    stop_llm_server()
            
            st.markdown(f"**Statut actuel:** `{st.session_state.server_status}`")
            
            llm_url = st.text_input("URL du serveur LLM", value=config.LLM_SERVER_URL)
            if st.button("Mettre à jour l'URL"):
                config.LLM_SERVER_URL = llm_url
                os.environ['LLM_SERVER_URL'] = llm_url
                st.success("URL mise à jour!")
        
        with subtab3:
            st.subheader("Paramètres de performance")
            max_requests = st.number_input("Nombre de requêtes avant pause", value=config.MAX_REQUESTS_BEFORE_PAUSE)
            min_pause = st.number_input("Pause minimum (secondes)", value=config.MIN_PAUSE)
            max_pause = st.number_input("Pause maximum (secondes)", value=config.MAX_PAUSE)
            
            if st.button("Sauvegarder les paramètres"):
                config.MAX_REQUESTS_BEFORE_PAUSE = max_requests
                config.MIN_PAUSE = min_pause
                config.MAX_PAUSE = max_pause
                st.success("Paramètres sauvegardés!")
    
    with tab2:
        st.header("Collecte de données")
        
        sources = {
            "Kaggle": st.checkbox("Kaggle", value=True),
            "GitHub": st.checkbox("GitHub", value=True),
            "Hugging Face": st.checkbox("Hugging Face", value=True),
            "NVD": st.checkbox("NVD", value=True),
            "Stack Exchange": st.checkbox("Stack Exchange", value=True)
        }
        
        st.subheader("Requêtes de recherche")
        queries = {
            "Kaggle": st.text_area("Requêtes Kaggle (une par ligne)", value="cybersecurity\nvulnerability"),
            "GitHub": st.text_area("Requêtes GitHub (une par ligne)", value="topic:devsecops\ntopic:security"),
            "Hugging Face": st.text_area("Requêtes Hugging Face (une par ligne)", value="security\ndevsecops"),
            "Stack Exchange": st.text_area("Requêtes Stack Exchange (une par ligne)", value="security\nvulnerability")
        }
        
        if st.button("Lancer la collecte"):
            run_data_collection(sources, queries)
    
    with tab3:
        st.header("Traitement IA")
        enable_enrichment = st.checkbox("Activer l'enrichissement IA", value=st.session_state.enable_enrichment)
        st.session_state.enable_enrichment = enable_enrichment
        
        if enable_enrichment:
            st.session_state.min_relevance = st.slider("Score de pertinence minimum", 0, 100, st.session_state.min_relevance)
            st.session_state.num_queries = st.number_input("Nombre de nouvelles requêtes", value=st.session_state.num_queries)
            
            st.subheader("Paramètres du LLM")
            st.session_state.temperature = st.slider("Température", 0.0, 1.0, 0.7)
            st.session_state.n_predict = st.number_input("Nombre de tokens de prédiction", value=512)
            
            prompts = load_prompts()
            st.subheader("Prompts")
            for task, task_data in prompts.items():
                st.write(f"**{task}**")
                st.text_area(f"System Prompt - {task}", value=task_data.get("system", ""), height=100, key=f"system_{task}")
                st.text_area(f"Prompt Template - {task}", value=task_data.get("prompt_template", ""), height=150, key=f"template_{task}")
            
            if st.button("Sauvegarder les prompts"):
                updated_prompts = {
                    task: {
                        "system": st.session_state[f"system_{task}"],
                        "prompt_template": st.session_state[f"template_{task}"]
                    } for task in prompts
                }
                with open("config/prompts.json", 'w') as f:
                    json.dump(updated_prompts, f, indent=2)
                global PROMPTS
                PROMPTS = load_prompts()
                st.success("Prompts sauvegardés!")
    
    with tab4:
        st.header("Résultats")
        subtab1, subtab2, subtab3 = st.tabs(["Visualisations", "Données", "Logs"])
        
        with subtab1:
            create_visualizations()
        with subtab2:
            st.subheader("Aperçu des données")
            if st.session_state.qa_data:
                df = pd.DataFrame(st.session_state.qa_data)
                st.dataframe(df.tail(10))
                
                st.subheader("Téléchargement des données")
                col1, col2 = st.columns(2)
                with col1:
                    json_data = json.dumps(st.session_state.qa_data, indent=2)
                    st.download_button(label="Télécharger JSON", data=json_data, file_name=f"devsecops_data_{datetime.now().strftime('%Y%m%d_%H%M%S')}.json", mime="application/json")
                with col2:
                    csv_data = df.to_csv(index=False)
                    st.download_button(label="Télécharger CSV", data=csv_data, file_name=f"devsecops_data_{datetime.now().strftime('%Y%m%d_%H%M%S')}.csv", mime="text/csv")
            else:
                st.info("Aucune donnée à afficher. Lancez d'abord la collecte.")
        with subtab3:
            st.subheader("Logs d'exécution")
            for log in st.session_state.logs:
                st.text(log)

if __name__ == "__main__":
    main()