Kishi836/repo6uard

# Repo6uard 混合型漏洞扫描器：真实的静态分析加上 LLM 推理过程，并通过 OSV 进行依赖项检查。粘贴代码或指向公开的 GitHub 仓库；它将返回按严重程度排序并映射到 OWASP Top 10 类别的扫描结果。 为 PES University 的 CIE Ignite 第二阶段而构建（6 人团队）。 ## 工作原理 **粘贴代码扫描** (`POST /scan`) 1. **静态扫描**：使用 [Bandit](https://bandit.readthedocs.io) 检查 Python，使用 [njsscan](https://github.com/ajinabraham/njsscan) 检查 JavaScript。提供真实的工具输出，并进行解析和标准化。 2. **LLM 扫描**：Groq (`llama-3.3-70b-versatile`) 会结合静态扫描的上下文审查相同的代码，并被要求仅报告工具遗漏的问题。这可以捕捉逻辑层面的问题（静态规则未覆盖的授权缺陷、不安全的模式），而不会重复静态扫描的结果。 3. 扫描结果将被合并，标记为 `static` 或 `ai`，并映射到 OWASP 类别。 **仓库扫描** (`POST /scan-repo`) 1. 浅克隆一个公开的 GitHub 仓库，收集 `.py` 或 `.js` 源代码（上限为 12k 字符）。 2. 对收集到的代码进行 LLM 扫描。 3. **依赖项扫描**：解析 `requirements.txt` / `package.json` 并查询 [OSV.dev](https://osv.dev) 数据库以获取已知的 CVE，其严重程度根据 CVSS 分数得出。 React 前端会将合并后的扫描结果呈现为排序报告：包含严重程度、OWASP 类别、违规代码行以及针对每个发现的具体修复建议。 ## 技术栈 - **后端**：Flask + Bandit + njsscan + OSV API + Groq SDK (`backend/`) - **前端**：React 19 + Vite (`frontend/`) ## 运行方式 后端： ``` cd backend pip install -r requirements.txt cp .env.example .env # add your key from console.groq.com python server.py # http://localhost:5000 ``` 前端： ``` cd frontend npm install npm run dev # http://localhost:5173 ``` ## 状态 这是来自 Ignite 项目的原型。已知限制：仓库扫描收集的源代码上限为 12k 字符，OSV 扫描仅检查前 25 个依赖项，且 LLM 的扫描结果取决于模型输出的质量。UI 中的示例代码片段包含故意编写的存在漏洞的代码（硬编码的虚假密钥、SQL 注入、`shell=True`），用作演示输入。

标签：DLL 劫持, Flask, React, Syscalls, 加密, 大语言模型, 漏洞扫描器, 自定义脚本, 逆向工具, 静态应用安全测试