Ferdlance's picture
Update app.py
2708440 verified
#!/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
# Importation du module de configuration
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"
)
# Initialisation des variables de session
config.init_session_state()
# Initialisation du parser HTML
h = html2text.HTML2Text()
h.ignore_links = True
# 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()
# Fonctions pour le serveur LLM (llama.cpp)
def check_server_status():
try:
response = requests.get(config.LLM_SERVER_URL.replace("/completion", "/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-coder-1.5b-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 $! > "server/server.pid"
""")
os.chmod(start_script, 0o755)
try:
subprocess.Popen(["bash", str(start_script)])
st.success("Le serveur llama.cpp est en cours de démarrage...")
time.sleep(5)
check_server_status()
if st.session_state.server_status == "Actif":
st.success("Serveur llama.cpp démarré avec succès!")
else:
st.error("Le serveur n'a pas pu démarrer. Vérifiez les logs dans le dossier logs/.")
except Exception as e:
st.error(f"Erreur lors du démarrage du serveur: {str(e)}")
def stop_llm_server():
stop_script = Path("server/stop_server.sh")
if not stop_script.exists():
with open(stop_script, 'w') as f:
f.write("""#!/bin/bash
PID_FILE="server/server.pid"
if [ -f "$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)
check_server_status()
if st.session_state.server_status == "Inactif":
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:
start = response_text.find('{')
end = response_text.rfind('}')
if start != -1 and end != -1:
json_str = response_text[start:end+1]
enriched_data = json.loads(json_str)
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:
start = response_text.find('{')
end = response_text.rfind('}')
if start != -1 and end != -1:
json_str = response_text[start:end+1]
analysis = json.loads(json_str)
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:
start = response_text.find('{')
end = response_text.rfind('}')
if start != -1 and end != -1:
json_str = response_text[start:end+1]
queries_data = json.loads(json_str)
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'}
if len(valid_keys) == 0:
logger.warning("Aucune clé d'API valide trouvée. Le bot fonctionnera en mode dégradé avec des pauses plus longues.")
else:
missing = set(keys.keys()) - set(valid_keys.keys())
if missing:
logger.warning(f"Clés d'API manquantes ou non configurées: {', '.join(missing)}")
logger.info(f"Clés d'API valides trouvées pour: {', '.join(valid_keys.keys())}.")
return valid_keys
def make_request(url, headers=None, params=None, is_api_call=True):
config.REQUEST_COUNT += 1
pause_factor = 1 if len(check_api_keys()) > 0 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)
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):
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}_{st.session_state.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)
st.session_state.total_qa_pairs += 1
st.session_state.qa_data.append(qa_data)
log_message = f"Paire Q/R sauvegardée: {filename} (Total: {st.session_state.total_qa_pairs})"
logger.info(log_message)
st.session_state.logs.append(log_message)
except Exception as e:
logger.error(f"Erreur lors de la sauvegarde du fichier {filename}: {str(e)}")
st.session_state.logs.append(f"Erreur: Impossible de sauvegarder {filename}")
def collect_kaggle_data(queries):
logger.info("Début de la collecte des données Kaggle...")
try:
if not os.getenv('KAGGLE_USERNAME') or not os.getenv('KAGGLE_KEY'):
logger.warning("Clés Kaggle non configurées. La collecte Kaggle est ignorée.")
st.session_state.logs.append("ATTENTION: Clés Kaggle non configurées. Collecte Kaggle ignorée.")
return
os.environ['KAGGLE_USERNAME'] = os.getenv('KAGGLE_USERNAME')
os.environ['KAGGLE_KEY'] = os.getenv('KAGGLE_KEY')
import kaggle
kaggle.api.authenticate()
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('/', '_')
shutil.rmtree(download_dir, ignore_errors=True)
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)}")
except Exception as e:
logger.error(f"Erreur inattendue dans collect_kaggle_data: {str(e)}")
logger.info("Collecte des données Kaggle terminée.")
def collect_github_data(queries, num_pages, results_per_page):
logger.info("Début de la collecte des données GitHub...")
base_url = "https://api.github.com"
headers = {"Accept": "application/vnd.github.v3+json"}
github_token = os.getenv('GITHUB_API_TOKEN')
if github_token:
headers["Authorization"] = f"token {github_token}"
else:
logger.warning("Clé GitHub non configurée. La collecte GitHub est ignorée.")
st.session_state.logs.append("ATTENTION: Clé GitHub non configurée. Collecte GitHub ignorée.")
return
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}' sur {num_pages} page(s)")
for page_number in range(1, num_pages + 1):
try:
logger.info(f"Consultation de la page {page_number}...")
st.session_state.logs.append(f"GitHub: page {page_number} pour '{query}'")
search_url = f"{base_url}/search/repositories"
params = {
"q": query,
"sort": "stars",
"per_page": results_per_page,
"page": page_number
}
response = make_request(search_url, headers=headers, params=params)
if not response:
break
data = response.json()
items = data.get("items", [])
if not items:
logger.info(f"Fin des résultats pour cette requête (page {page_number}).")
break
for repo in 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))
except Exception as e:
logger.error(f"Erreur lors de la collecte GitHub pour la page {page_number}: {str(e)}")
st.session_state.logs.append(f"Erreur GitHub: {str(e)}")
logger.info("Collecte des données GitHub terminée.")
def collect_huggingface_data(queries, num_pages, results_per_page):
logger.info("Début de la collecte des données Hugging Face...")
base_url = "https://huggingface.co/api"
headers = {"Accept": "application/json"}
hf_token = os.getenv('HUGGINGFACE_API_TOKEN')
if hf_token:
headers["Authorization"] = f"Bearer {hf_token}"
else:
logger.warning("Clé Hugging Face non configurée. La collecte Hugging Face est ignorée.")
st.session_state.logs.append("ATTENTION: Clé Hugging Face non configurée. Collecte Hugging Face ignorée.")
return
search_queries = queries.split('\n') if queries else ["security", "devsecops"]
for query in search_queries:
logger.info(f"Recherche de datasets pour: {query}")
for page_number in range(num_pages):
try:
offset = page_number * results_per_page
search_url = f"{base_url}/datasets"
params = {"search": query, "limit": results_per_page, "offset": offset}
response = make_request(search_url, headers=headers, params=params)
if not response: continue
data = response.json()
if not data:
logger.info(f"Fin des résultats pour la requête '{query}'.")
break
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))
except Exception as e:
logger.error(f"Erreur lors de la collecte Hugging Face: {str(e)}")
st.session_state.logs.append(f"Erreur Hugging Face: {str(e)}")
logger.info("Collecte des données Hugging Face terminée.")
def collect_nvd_data(num_pages, results_per_page):
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"}
nvd_key = os.getenv('NVD_API_KEY')
if nvd_key:
headers["apiKey"] = nvd_key
else:
logger.warning("Clé NVD non configurée. La collecte NVD est ignorée.")
st.session_state.logs.append("ATTENTION: Clé NVD non configurée. Collecte NVD ignorée.")
return
for page in range(num_pages):
try:
start_index = page * results_per_page
logger.info(f"Consultation de la page NVD, index de départ: {start_index}")
st.session_state.logs.append(f"NVD: page {page + 1}")
params = {"resultsPerPage": results_per_page, "startIndex": start_index}
response = make_request(base_url, headers=headers, params=params)
if not response:
logger.warning("Impossible de récupérer les données du NVD. Arrêt de la collecte NVD.")
break
data = response.json()
vulnerabilities = data.get("vulnerabilities", [])
if not vulnerabilities:
logger.info("Fin des résultats pour la collecte NVD.")
break
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}"
)
time.sleep(random.uniform(1, 3))
except Exception as e:
logger.error(f"Erreur lors de la collecte NVD: {str(e)}")
st.session_state.logs.append(f"Erreur NVD: {str(e)}")
logger.info("Collecte des données NVD terminée.")
def collect_stack_exchange_data(queries, num_pages, results_per_page):
logger.info("Début de la collecte des données Stack Exchange...")
base_url = "https://api.stackexchange.com/2.3"
params_base = {"pagesize": results_per_page, "order": "desc", "sort": "votes", "filter": "withbody"}
se_key = os.getenv('STACK_EXCHANGE_API_KEY')
if se_key:
params_base["key"] = se_key
else:
logger.warning("Clé Stack Exchange non configurée. La collecte est ignorée.")
st.session_state.logs.append("ATTENTION: Clé Stack Exchange non configurée. Collecte Stack Exchange ignorée.")
return
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}'")
for page_number in range(1, num_pages + 1):
try:
questions_url = f"{base_url}/questions"
params = {**params_base, "site": site, "tagged": tag, "page": page_number}
response = make_request(questions_url, params=params)
if not response: continue
questions_data = response.json()
items = questions_data.get("items", [])
if not items:
logger.info(f"Fin des résultats pour le tag '{tag}' à la page {page_number}.")
break
for question in 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))
except Exception as e:
logger.error(f"Erreur lors de la collecte Stack Exchange: {str(e)}")
st.session_state.logs.append(f"Erreur Stack Exchange: {str(e)}")
logger.info("Collecte des données Stack Exchange terminée.")
def collect_web_data(url):
logger.info(f"Début de la collecte des données pour l'URL: {url}")
try:
st.session_state.logs.append(f"Début de la collecte pour {url}...")
response = make_request(url)
if not response or response.status_code != 200:
logger.error(f"Impossible de récupérer le contenu de l'URL: {url}")
st.session_state.logs.append(f"Erreur: Impossible de récupérer l'URL {url}")
return
soup = BeautifulSoup(response.text, 'html.parser')
for script in soup(["script", "style", "header", "footer", "nav"]):
script.extract()
raw_text = soup.get_text()
clean_text = clean_html(raw_text)
if not clean_text or len(clean_text) < 100:
logger.warning(f"Contenu de l'URL trop court ou vide: {url}")
st.session_state.logs.append("Avertissement: Contenu de l'URL trop court ou vide.")
return
is_relevant, signatures, security_tags, _ = ia_enricher.analyze_content_relevance(clean_text)
if is_relevant:
title = soup.title.string if soup.title else os.path.basename(url)
question = f"What security information is on the page '{title}'?"
answer = clean_text
save_qa_pair(
question=question,
answer=answer,
category="security",
subcategory="web-scraping",
source=f"web_{re.sub(r'[^a-zA-Z0-9]+', '', url)[:30]}",
attack_signatures=signatures,
tags=security_tags
)
else:
logger.info(f"Contenu de l'URL non pertinent pour DevSecOps: {url}")
st.session_state.logs.append(f"Contenu de l'URL non pertinent pour DevSecOps.")
except Exception as e:
logger.error(f"Erreur lors du scraping de l'URL {url}: {str(e)}")
st.session_state.logs.append(f"Erreur lors du scraping de l'URL {url}")
logger.info("Collecte des données web terminée.")
def run_data_collection(sources, queries, web_url, num_pages, results_per_page):
st.session_state.bot_status = "En cours d'exécution"
st.session_state.logs = []
valid_keys = check_api_keys()
progress_bar = st.progress(0)
status_text = st.empty()
log_container = st.empty()
enabled_sources = [s for s, enabled in sources.items() if enabled]
if "Web Scraping" in enabled_sources and web_url:
enabled_sources.remove("Web Scraping")
enabled_sources.insert(0, "Web Scraping")
total_sources = len(enabled_sources)
completed_sources = 0
for source_name in enabled_sources:
status_text.text(f"Collecte des données de {source_name}...")
log_container.text("Logs en temps réel:\n" + "\n".join(st.session_state.logs))
if source_name == "Kaggle":
collect_kaggle_data(queries.get("Kaggle", ""))
elif source_name == "GitHub":
if 'GITHUB_API_TOKEN' in valid_keys:
collect_github_data(queries.get("GitHub", ""), num_pages, results_per_page)
else:
logger.warning("Clé GitHub non définie. Saut de la collecte GitHub.")
st.session_state.logs.append("ATTENTION: Clé GitHub non définie. Collecte GitHub ignorée.")
elif source_name == "Hugging Face":
if 'HUGGINGFACE_API_TOKEN' in valid_keys:
collect_huggingface_data(queries.get("Hugging Face", ""), num_pages, results_per_page)
else:
logger.warning("Clé Hugging Face non définie. Saut de la collecte Hugging Face.")
st.session_state.logs.append("ATTENTION: Clé Hugging Face non définie. Collecte Hugging Face ignorée.")
elif source_name == "NVD":
if 'NVD_API_KEY' in valid_keys:
collect_nvd_data(num_pages, results_per_page)
else:
logger.warning("Clé NVD non définie. Saut de la collecte NVD.")
st.session_state.logs.append("ATTENTION: Clé NVD non définie. Collecte NVD ignorée.")
elif source_name == "Stack Exchange":
if 'STACK_EXCHANGE_API_KEY' in valid_keys:
collect_stack_exchange_data(queries.get("Stack Exchange", ""), num_pages, results_per_page)
else:
logger.warning("Clé Stack Exchange non définie. Saut de la collecte Stack Exchange.")
st.session_state.logs.append("ATTENTION: Clé Stack Exchange non définie. Collecte Stack Exchange ignorée.")
elif source_name == "Web Scraping":
if web_url:
collect_web_data(web_url)
else:
st.session_state.logs.append("ATTENTION: URL de scraping non fournie. Collecte ignorée.")
completed_sources += 1
progress_bar.progress(completed_sources / total_sources)
log_container.text("Logs en temps réel:\n" + "\n".join(st.session_state.logs))
time.sleep(1) # Pause pour la mise à jour visuelle
st.session_state.bot_status = "Arrêté"
st.info("Collecte des données terminée!")
progress_bar.empty()
status_text.empty()
log_container.text("Logs en temps réel:\n" + "\n".join(st.session_state.logs))
st.rerun()
def main():
st.title("DevSecOps Data Bot")
st.markdown("""
Ce bot est conçu pour collecter des données de diverses sources (GitHub, Kaggle, Hugging Face, NVD, Stack Exchange)
afin de construire un jeu de données de questions/réponses DevSecOps.
""")
tabs = st.tabs(["Bot", "Statistiques & Données", "Configuration"])
with tabs[0]:
st.header("État du bot")
col1, col2, col3 = st.columns(3)
with col1:
st.metric("Statut", st.session_state.bot_status)
with col2:
st.metric("Paires Q/R", st.session_state.total_qa_pairs)
with col3:
st.metric("Statut du serveur LLM", st.session_state.server_status)
st.markdown("---")
st.header("Paramètres de la collecte")
col1, col2 = st.columns(2)
num_pages = col1.slider(
"Nombre de pages à consulter par source",
min_value=1, max_value=20, value=5,
help="Le bot consultera jusqu'à X pages de résultats pour chaque source."
)
results_per_page = col2.slider(
"Nombre de résultats par page",
min_value=10, max_value=100, value=20,
help="Le bot demandera jusqu'à Y résultats pour chaque page consultée."
)
st.header("Lancer la collecte")
st.subheader("Sources de données")
sources_columns = st.columns(6)
sources = {
"GitHub": sources_columns[0].checkbox("GitHub", value=True),
"Hugging Face": sources_columns[1].checkbox("Hugging Face", value=True),
"NVD": sources_columns[2].checkbox("NVD", value=True),
"Stack Exchange": sources_columns[3].checkbox("Stack Exchange", value=True),
"Kaggle": sources_columns[4].checkbox("Kaggle", value=True),
"Web Scraping": sources_columns[5].checkbox("Web Scraping", value=True)
}
web_url = st.text_input("URL à scraper (optionnel)", help="Entrez une URL pour extraire les données de sécurité.")
st.info("En cliquant sur 'Lancer la collecte', vous reconnaissez que vous disposez des droits légaux de scraping et de manipulation des données du site fourni, et nous déclinons toute responsabilité.")
st.subheader("Requêtes de recherche")
queries = {}
queries["GitHub"] = st.text_area("Requêtes GitHub (une par ligne)", "topic:devsecops\ntopic:security\nvulnerability")
queries["Kaggle"] = st.text_area("Requêtes Kaggle (une par ligne)", "cybersecurity\nvulnerability dataset\npenetration testing")
queries["Hugging Face"] = st.text_area("Requêtes Hugging Face (une par ligne)", "security dataset\nvulnerability\nlanguage model security")
queries["Stack Exchange"] = st.text_area("Tags Stack Exchange (un par ligne)", "devsecops\nsecurity\nvulnerability")
queries["NVD"] = ""
st.markdown("---")
if st.session_state.bot_status == "Arrêté":
if st.button("Lancer la collecte", use_container_width=True, type="primary"):
st.session_state.logs = []
st.session_state.qa_data = []
st.session_state.total_qa_pairs = 0
run_data_collection(sources, queries, web_url, num_pages, results_per_page)
else:
st.warning("La collecte est en cours. Veuillez attendre qu'elle se termine.")
if st.button("Forcer l'arrêt", use_container_width=True, type="secondary"):
st.session_state.bot_status = "Arrêté"
st.info("La collecte a été arrêtée manuellement.")
st.markdown("---")
st.subheader("Logs d'exécution")
log_container = st.container(border=True)
with log_container:
for log in st.session_state.logs:
st.text(log)
with tabs[1]:
st.header("Statistiques")
if st.session_state.qa_data:
df = pd.DataFrame(st.session_state.qa_data)
st.subheader("Aperçu des données")
st.dataframe(df, use_container_width=True)
st.subheader("Répartition par source")
source_counts = df['source'].apply(lambda x: x.split('_')[0]).value_counts().reset_index()
source_counts.columns = ['Source', 'Nombre']
fig_source = px.bar(source_counts, x='Source', y='Nombre', title="Nombre de paires Q/R par source")
st.plotly_chart(fig_source, use_container_width=True)
st.subheader("Répartition par catégorie")
category_counts = df['category'].value_counts().reset_index()
category_counts.columns = ['Catégorie', 'Nombre']
fig_cat = px.pie(category_counts, names='Catégorie', values='Nombre', title="Répartition par catégorie")
st.plotly_chart(fig_cat, use_container_width=True)
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",
use_container_width=True
)
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",
use_container_width=True
)
else:
st.info("Aucune donnée à afficher. Lancez d'abord la collecte de données.")
with tabs[2]:
st.header("Configuration Avancée")
st.subheader("Paramètres du serveur LLM")
llm_col1, llm_col2 = st.columns(2)
with llm_col1:
if st.button("Démarrer le serveur LLM", type="primary", use_container_width=True):
start_llm_server()
st.rerun()
if st.button("Vérifier le statut du serveur", use_container_width=True):
check_server_status()
st.rerun()
with llm_col2:
if st.button("Arrêter le serveur LLM", type="secondary", use_container_width=True):
stop_llm_server()
st.rerun()
st.markdown("---")
st.subheader("Paramètres d'enrichissement IA")
st.session_state.enable_enrichment = st.checkbox("Activer l'enrichissement IA", value=st.session_state.enable_enrichment, help="Utilise le LLM pour améliorer les paires Q/R.")
st.session_state.min_relevance = st.slider("Score de pertinence minimum", 0, 100, st.session_state.min_relevance, help="Les contenus en dessous de ce score ne seront pas traités.")
st.session_state.temperature = st.slider("Température de l'IA", 0.0, 1.0, st.session_state.temperature, help="Contrôle la créativité de l'IA. 0.0 = plus déterministe, 1.0 = plus créatif.")
st.session_state.n_predict = st.slider("Nombre de tokens", 128, 1024, st.session_state.n_predict, help="Nombre maximum de tokens à générer par l'IA.")
if __name__ == "__main__":
main()