handler.py

import os
import torch
from transformers import AutoTokenizer, T5ForSequenceClassification
from typing import Dict, List, Any

class EndpointHandler:
    """

    HuggingFace Inference Endpoint Handler for Java Vulnerability Detection

    CodeT5 기반 분류 모델 (LoRA fine-tuned)

    """
    
    def __init__(self, path="."):
        """

        모델과 토크나이저를 초기화합니다.

        

        Args:

            path (str): 모델이 저장된 경로 (HuggingFace Hub에서 자동으로 설정됨)

        """
        print(f"🚀 Loading Java Vulnerability Detection Model from {path}")
        
        # 디바이스 설정
        self.device = "cuda" if torch.cuda.is_available() else "cpu"
        print(f"📍 Device: {self.device}")
        
        # 토크나이저 로드
        self.tokenizer = AutoTokenizer.from_pretrained(path)
        
        # T5ForSequenceClassification 모델 로드
        self.model = T5ForSequenceClassification.from_pretrained(
            path,
            torch_dtype=torch.float16 if self.device == "cuda" else torch.float32
        )
        
        # 모델을 평가 모드로 설정하고 디바이스로 이동
        self.model.to(self.device)
        self.model.eval()
        
        print("✅ Model loaded successfully!")
    
    def __call__(self, data: Dict[str, Any]) -> List[Dict[str, Any]]:
        """

        메인 추론 메서드 (HuggingFace Inference API가 호출)

        

        Args:

            data (dict): 입력 데이터

                - "inputs" (str): Java 코드 또는

                - "code" (str): Java 코드

        

        Returns:

            list: 예측 결과 리스트

        """
        # 1. 전처리
        inputs = self.preprocess(data)
        
        # 2. 추론
        outputs = self.inference(inputs)
        
        # 3. 후처리
        result = self.postprocess(outputs)
        
        return result
    
    def preprocess(self, request: Dict[str, Any]) -> Dict[str, torch.Tensor]:
        """

        입력 데이터를 전처리합니다.

        

        Args:

            request (dict): API 요청 데이터

        

        Returns:

            dict: 토크나이즈된 입력 텐서

        """
        # 입력 텍스트 추출
        if isinstance(request, dict):
            # "inputs" 또는 "code" 키에서 Java 코드 추출
            code = request.get("inputs") or request.get("code")
        elif isinstance(request, list) and len(request) > 0:
            code = request[0].get("inputs") or request[0].get("code")
        elif isinstance(request, str):
            code = request
        else:
            raise ValueError(
                "Invalid request format. Expected {'inputs': 'Java code here'} "
                "or {'code': 'Java code here'}"
            )
        
        if not code:
            raise ValueError("No code provided in request")
        
        # 프롬프트 템플릿 적용
        input_text = f"Is this Java code vulnerable?:\n{code}"
        
        # 토크나이징
        inputs = self.tokenizer(
            input_text,
            max_length=512,
            truncation=True,
            padding="max_length",
            return_tensors="pt"
        )
        
        # 디바이스로 이동
        inputs = {k: v.to(self.device) for k, v in inputs.items()}
        
        return inputs
    
    def inference(self, inputs: Dict[str, torch.Tensor]) -> torch.Tensor:
        """

        모델 추론을 수행합니다.

        

        Args:

            inputs (dict): 전처리된 입력 텐서

        

        Returns:

            torch.Tensor: 모델 출력 로짓

        """
        with torch.no_grad():
            outputs = self.model(**inputs)
            logits = outputs.logits
        
        return logits
    
    def postprocess(self, logits: torch.Tensor) -> List[Dict[str, Any]]:
        """

        모델 출력을 사람이 읽을 수 있는 형태로 변환합니다.

        

        Args:

            logits (torch.Tensor): 모델 출력 로짓

        

        Returns:

            list: 예측 결과 리스트

        """
        # 로짓 처리 (단일 출력 vs 다중 클래스)
        if logits.shape[-1] == 1:
            # Binary classification with single output
            prob = torch.sigmoid(logits).item()
            predicted_class = 1 if prob > 0.5 else 0
            confidence = prob if predicted_class == 1 else (1 - prob)
            probabilities = {
                "LABEL_0": 1 - prob,
                "LABEL_1": prob
            }
        else:
            # Multi-class classification
            probs = torch.softmax(logits, dim=1)[0]
            predicted_class = torch.argmax(logits, dim=1).item()
            confidence = probs[predicted_class].item()
            probabilities = {
                f"LABEL_{i}": probs[i].item() 
                for i in range(len(probs))
            }
        
        # 레이블 매핑
        label_map = {
            0: "safe",
            1: "vulnerable"
        }
        
        # 결과 포맷팅
        result = {
            "label": label_map.get(predicted_class, f"LABEL_{predicted_class}"),
            "score": confidence,
            "probabilities": probabilities,
            "details": {
                "is_vulnerable": predicted_class == 1,
                "confidence_percentage": f"{confidence * 100:.2f}%",
                "safe_probability": probabilities.get("LABEL_0", 0),
                "vulnerable_probability": probabilities.get("LABEL_1", 0)
            }
        }
        
        return [result]


# 로컬 테스트용 코드
if __name__ == "__main__":
    # 로컬에서 테스트할 때 사용
    handler = EndpointHandler(path=".")
    
    # 테스트 케이스
    test_code = """

import java.sql.*;

public class SQLInjectionVulnerable {

    public void getUser(String userInput) {

        String query = "SELECT * FROM users WHERE username = '" + userInput + "'";

        Statement statement = connection.createStatement();

        ResultSet resultSet = statement.executeQuery(query);

    }

}

"""
    
    # 추론 실행
    request = {"inputs": test_code}
    result = handler(request)
    
    print("\n📊 Test Result:")
    print(result)