Upload app.py with huggingface_hub

app.py

@@ -1,74 +1,92 @@
-import os
-os.environ['GRADIO_ANALYTICS_ENABLED'] = 'False'
-os.environ['GRADIO_SERVER_PORT'] = '7860'
-
-import gradio as gr
+import streamlit as st
 from transformers import AutoTokenizer, AutoModelForSequenceClassification
 import torch
 
-# Model yükle
-MODEL_NAME = "mahdin70/codebert-devign-code-vulnerability-detector"
-print(f"Model yükleniyor: {MODEL_NAME}")
+# Sayfa ayarları
+st.set_page_config(
+    page_title="Code Security Analyzer",
+    page_icon="🔒",
+    layout="wide"
+)
 
-tokenizer = AutoTokenizer.from_pretrained(MODEL_NAME)
-model = AutoModelForSequenceClassification.from_pretrained(MODEL_NAME)
-model.eval()
+# Başlık
+st.title("🔒 Code Security Analyzer")
+st.markdown("CodeBERT tabanlı kod güvenlik analizi aracı")
+st.markdown("---")
 
-def analyze_code(code):
-    """Kod güvenlik analizi yap"""
-    if not code or not code.strip():
-        return "Lütfen kod girin", 0.0
-    
-    # Tokenize
-    inputs = tokenizer(
-        code,
-        return_tensors="pt",
-        truncation=True,
-        max_length=512,
-        padding=True
-    )
-    
-    # Tahmin
-    with torch.no_grad():
-        outputs = model(**inputs)
-        probabilities = torch.softmax(outputs.logits, dim=-1)
-        prediction = torch.argmax(probabilities, dim=-1).item()
-        confidence = probabilities[0][prediction].item()
-    
-    # Sonuçları yorumla
-    if prediction == 1:
-        result = "🔴 ZAFİYET TESPİT EDİLDİ"
-        detail = f"Bu kodda güvenlik zafiyeti olabilir."
-    else:
-        result = "🟢 GÜVENLİ GÖRÜNÜYOR"
-        detail = "Bu kod güvenli görünüyor."
-    
-    return f"{result}\n\n{detail}\n\nGüven skoru: {confidence:.2%}", confidence
+# Model yükleme durumu
+@st.cache_resource
+def load_model():
+    MODEL_NAME = "mahdin70/codebert-devign-code-vulnerability-detector"
+    tokenizer = AutoTokenizer.from_pretrained(MODEL_NAME)
+    model = AutoModelForSequenceClassification.from_pretrained(MODEL_NAME)
+    model.eval()
+    return tokenizer, model
+
+with st.spinner("Model yükleniyor..."):
+    tokenizer, model = load_model()
+
+st.success("Model hazır!")
 
-# Gradio arayüzü
-demo = gr.Interface(
-    fn=analyze_code,
-    inputs=gr.Code(
-        label="Kodu yapıştırın",
-        language="python",
-        lines=10
-    ),
-    outputs=[
-        gr.Textbox(label="Sonuç", lines=5),
-        gr.Slider(label="Güven Skoru", minimum=0, maximum=1)
-    ],
-    title="🔒 Code Security Analyzer",
-    description="""
-    Bu araç CodeBERT tabanlı bir model kullanarak kodunuzda potansiyel güvenlik zafiyetlerini tespit etmeye çalışır.
-    
-    **Not:** Bu otomatik bir analizdir ve %100 doğru olmayabilir. Önemli kodlar için manuel review yapın.
-    """,
-    examples=[
-        ["def login(user, pwd):\n    query = f\"SELECT * FROM users WHERE name='{user}'\"\n    return db.execute(query)"],
-        ["def login(user, pwd):\n    query = \"SELECT * FROM users WHERE name=%s\"\n    return db.execute(query, (user,))"],
-        ["def render(comment):\n    return f'\u003cdiv\u003e{comment}\u003c/div\u003e'"],
-    ]
+# Kod girişi
+code_input = st.text_area(
+    "Kodu yapıştırın",
+    height=200,
+    placeholder="def login(username, password):\n    query = f\"SELECT * FROM users WHERE user='{username}'\"\n    return db.execute(query)"
 )
 
-if __name__ == "__main__":
-    demo.launch(server_name="0.0.0.0", server_port=7860)
+# Analiz butonu
+if st.button("🔍 Analiz Et", type="primary"):
+    if not code_input or not code_input.strip():
+        st.warning("Lütfen analiz edilecek kod girin")
+    else:
+        with st.spinner("Analiz ediliyor..."):
+            # Tokenize
+            inputs = tokenizer(
+                code_input,
+                return_tensors="pt",
+                truncation=True,
+                max_length=512,
+                padding=True
+            )
+            
+            # Tahmin
+            with torch.no_grad():
+                outputs = model(**inputs)
+                probabilities = torch.softmax(outputs.logits, dim=-1)
+                prediction = torch.argmax(probabilities, dim=-1).item()
+                confidence = probabilities[0][prediction].item()
+            
+            # Sonuçları göster
+            st.markdown("---")
+            st.subheader("Sonuç")
+            
+            if prediction == 1:
+                st.error("🔴 ZAFİYET TESPİT EDİLDİ")
+                st.markdown("Bu kodda güvenlik zafiyeti olabilir.")
+            else:
+                st.success("🟢 GÜVENLİ GÖRÜNÜYOR")
+                st.markdown("Bu kod güvenli görünüyor.")
+            
+            st.progress(confidence)
+            st.markdown(f"**Güven Skoru:** {confidence:.2%}")
+
+# Örnekler
+st.markdown("---")
+st.subheader("Örnek Kodlar")
+
+examples = {
+    "SQL Injection (Zafiyet)": "def login(user, pwd):\n    query = f\"SELECT * FROM users WHERE name='{user}'\"\n    return db.execute(query)",
+    "SQL Injection (Güvenli)": "def login(user, pwd):\n    query = \"SELECT * FROM users WHERE name=%s\"\n    return db.execute(query, (user,))",
+    "XSS (Zafiyet)": "def render(comment):\n    return f'<div>{comment}</div>'",
+    "XSS (Güvenli)": "def render(comment):\n    import html\n    return f'<div>{html.escape(comment)}</div>'"
+}
+
+selected_example = st.selectbox("Örnek seçin:", list(examples.keys()))
+if st.button("Örneği Kullan"):
+    st.session_state.code_input = examples[selected_example]
+    st.rerun()
+
+# Not
+st.markdown("---")
+st.info("💡 **Not:** Bu otomatik bir analizdir ve %100 doğru olmayabilir. Önemli kodlar için manuel review yapın.")