Skip to content
KitploitKITPLOIT
أدواتعمليات الاستغلالالمدونة
Log in
إرسال
أدواتعمليات الاستغلالالمدونة
إرسال

أدوات الاختراق واختبار الاختراق والأمن السيبراني لترسانتك الأمنية!

Kitploit هو دليل لأدوات الاختراق والأمن السيبراني واختبار الاختراق. اكتشف آخر تحديثات المشاريع للعثور على الثغرات وتحليل الأنظمة وأتمتة الاختبارات وتعزيز أمنك.

الخلاصاتاتصالالخصوصية© 2026 Kitploit

دليل الأدوات

الفئات

عرض جميع الفئات
Loading categories
Watermark_Spoofing — كود بحث ومجموعة بيانات (WSD) لتقييم تأثير العلامة المائية الصوتية على مكافحة الانتحال، باستخدام wav2vec2 XLS-R والتعلم الحافظ للمعرفة. | Kitploit
أدوات/GitHubGitHub/alphawarheads/watermark_spoofing
تعلم الآلةالأوراق والأبحاثأمن الذكاء الاصطناعي
GitHubalphawarheads/watermark_spoofing

Watermark_Spoofing

كود بحث ومجموعة بيانات (WSD) لتقييم تأثير العلامة المائية الصوتية على مكافحة الانتحال، باستخدام wav2vec2 XLS-R والتعلم الحافظ للمعرفة.

عرض المستودع
مشاركة
254منذ سنة واحدةلم تتم المراجعة بعد

تأثير العلامة المائية الصوتية على الإجراءات المضادة لمكافحة الانتحال الصوتي

يوفر هذا المستودع التنفيذ الرسمي لبحثنا: تأثير العلامة المائية الصوتية على الإجراءات المضادة لمكافحة الانتحال الصوتي. استكشف العرض التفاعلي والتصورات هنا.

ماذا يوجد بالداخل

  1. مجموعة بيانات العلامة المائية والانتحال (WSD) — نصوص برمجية وملفات تسميات لتوليد مجموعات التقييم والتدريب الموسومة بمياه رقمية خاصة بنا.
  2. تعلم العلامة المائية الحافظ للمعرفة (KPWL) — نصوص برمجية لإعادة إنتاج إطار عمل KPWL والتجارب.

مجموعة بيانات العلامة المائية والانتحال (WSD)

نشتق WSD من مجموعات عامة ونجري مقارنتها مع المجموعات الأصلية:

  • ASVspoof 2019 (LA) — تقسيم التدريب المستخدم لتدريب النموذج. التحميل: https://datashare.is.ed.ac.uk/handle/10283/3336

  • ASVspoof 2021 (LA & DF) — يُستخدم للتقييم.

    -LA: https://zenodo.org/record/4837263 -DF: https://zenodo.org/record/4835108

  • In-the-Wild — يُستخدم للتقييم. التحميل: https://deepfake-total.com/in_the_wild

الإعداد النموذجي: التدريب على ASVspoof 2019 LA (train)؛ التقييم على ASVspoof 2021 LA/DF (eval) و In-the-Wild.

توجد أدوات توليد البيانات في data_generation/. اتبع ملف README الخاص بهذا المجلد لإعادة إنتاج WSD ومتغيراته (تقسيمات العلامة المائية المرئية/غير المرئية).


التثبيت (KPWL)

# 1) Clone
git clone https://github.com/Alphawarheads/Watermark_Spoofing.git
cd Watermark_Spoofing

# 2) (Optional) Use the bundled Fairseq snapshot
unzip fairseq-a54021305d6b3c4c5959ac9395135f63202db8f1.zip

# 3) Conda env
conda create -n kpwl python=3.7 -y
conda activate kpwl

# 4) PyTorch (adjust CUDA/ROCm wheels as needed)
pip install torch==1.12.1 torchvision==0.13.1 torchaudio==0.12.1

# 5) Fairseq (editable)
cd fairseq-a54021305d6b3c4c5959ac9395135f63202db8f1
pip install --editable ./
cd ..

# 6) Project requirements
pip install -r requirements.txt

ملاحظات: تم تدريب تجاربنا الرئيسية على 4 GPUs/DCUs.


wav2vec 2.0 XLS-R المُدرَّب مسبقًا (300M)

قم بتنزيل أوزان XLS-R من: https://github.com/pytorch/fairseq/tree/main/examples/wav2vec/xlsr


التقييم

تُنتج الأوامر أدناه ثلاثة ملفات score.txt (ملف واحد لكل مجموعة تقييم). تُستخدم هذه الدرجات لاحقًا لحساب EER (%).

نصيحة: استخدم دائمًا العلامات الكاملة --eval_track و --eval_output (لا تختصرها إلى --eval).

LA 2021

الأصلي (بدون علامة مائية):

TRACK=LA
PROTOCOLS=/public/home/qinxy/.../ASVspoof2021.LA.cm.eval.trl.txt
DATABASE_PATH=/public/home/qinxy/AudioData/Antispoofing/ASVspoof2021/ASVspoof2021_LA_eval/flac/
EVAL_OUTPUT=/public/home/qinxy/.../test2/${COMMENT}_eval_ori_LA21.txt
CUDA_VISIBLE_DEVICES=0,1,2,3 \
torchrun --standalone --nproc_per_node=4 \
    main_multinodes.py --track="$TRACK" --is_eval --eval \
  --model_path models/model_4dcu_kpwl.pth \
  --protocols_path="$PROTOCOLS" \
  --database_path="$DATABASE_PATH" \
  --eval_output="$EVAL_OUTPUT"

العلامة المائية والانتحال (مرئية):

TRACK=LA
PROTOCOLS=/public/home/qinxy/zhangzs/watermarking/The-A-Files-master/protocols/tagged/LA21/protocol_wm_75_only.txt
DATABASE_PATH=/public/home/qinxy/AudioData/Antispoofing/LA21_phase1/
EVAL_OUTPUT=/public/home/qinxy/.../test2/${COMMENT}_eval_wm_seen_LA21.txt

العلامة المائية والانتحال (غير مرئية):

TRACK=LA
PROTOCOLS=/public/home/qinxy/zhangzs/watermarking/The-A-Files-master/protocols/tagged_phase2/LA21/split/protocol_wm_75_only.txt
DATABASE_PATH=/public/home/qinxy/AudioData/Antispoofing/LA21_phase2/
EVAL_OUTPUT=/public/home/qinxy/.../test2/${COMMENT}_eval_wm_unseen_LA21.txt

راجع eval.sh للحصول على مجموعة نصوص التقييم الكاملة.


الاختبار باستخدام نماذجنا المُدرَّبة مسبقًا:

  • تحميل KPWL المدرب
  • تحميل Baseline المدرب

دمج الدرجات وتقييمها

  • _wm_ في اسم الملف = الدرجات المُنتجة على الصوت الموسوم بمياه رقمية.
  • _ori_ في اسم الملف = الدرجات المُنتجة على الصوت الأصلي (بدون علامة مائية).
# If auto_merge_scores is not in the same file, import it:
# from your_module import auto_merge_scores

TRACK = "ITW"     # one of {"LA21", "DF21", "ITW"}
comment = "ori"   # label used in your score filenames

outs = auto_merge_scores(
    track=TRACK,
    score_wm_path=f"/public/.../test2/{comment}_train_eval_wm_SLS_{TRACK}.txt",
    score_ori_path=f"/public/.../test2/{comment}_train_eval_ori_SLS_{TRACK}.txt",
)

print("Output Results:")
for p in outs:
    print(" -", p)

راجع README في generate_data/ للحصول على تفاصيل حول كيفية إنشاء البروتوكولات.


التدريب

التدريب المسبق الأساسي (الأصلي)

CUDA_VISIBLE_DEVICES=0,1,2,3 \
torchrun --standalone --nproc_per_node=4 \
  main_multinodes.py \
  --track=DF --lr=0.000001 --batch_size=5 --loss=WCE \
  --num_epochs=50 --comment 4dcu_baseline

الضبط الدقيق لـ KPWL

CUDA_VISIBLE_DEVICES=0,1,2,3 \
torchrun --standalone --nproc_per_node=4 \
    main_kpwl.py \
  --eval_track=DF --lr=5e-7 --batch_size=5 --num_epochs=2 \
  --model_path best_model.pth \
  --comment model_4dcu_kpwl

شكر وتقدير وكود من جهات خارجية

يبني هذا المستودع على المكونات التالية من المشاريع مفتوحة المصدر ويضم تعديلات عليها:

SLSforASVspoof-2021-DF — https://github.com/QiShanZhang/SLSforASVspoof-2021-DF.git

The-A-Files — https://github.com/pawel-kaczmarek/The-A-Files.git

تم اقتباس أجزاء من الكود من هذه المستودعات. تظل جميع أكواد الجهات الخارجية تحت تراخيصها الأصلية؛ يُرجى الرجوع إلى ملفات LICENSE الأصلية والاحتفاظ بجميع إشعارات حقوق النشر المعمول بها. إذا كان أي إسناد أو تفصيل ترخيص غير مكتمل، فأخبرنا وسنقوم بتصحيحه على الفور.

اتصال / استشهاد إذا استخدمت هذا المستودع أو WSD/KPWL في بحثك، فيُرجى الاستشهاد بالورقة والربط بهذا المستودع.

تنزيل الأداة

الأكثر شعبية

عرض الكل →

اكتشف الأدوات الأكثر استخدامًا من قبل مجتمعنا.

  • 1

    OsintHunter

    letox4/osinthunter

    🎯 مجموعة أدوات OSINT المثالية: رسم بياني للتحقيق، وتقييم الثقة، وعائلات الأسماء المستعارة، وخريطة، وخط زمني، وتقارير. 49 وحدة، وأكثر من 400 موقع، دون الحاجة إلى مفاتيح API.

    916
  • 2

    ghostlock-app

    yukonga/ghostlock-app

    # تطبيق GhostLock للتنفيذ بنقرة واحدة (CVE-2026-43499)

    558
  • 3

    redforge

    cybersecurity91/redforge

    مجموعة أدوات الفريق الأحمر في المتصفح مع 102 أداة دون اتصال للاستطلاع، وتوليد الحمولات، وهجمات بيانات الاعتماد، والتشفير، والترميز، وإعداد تقارير المهام.

    370
  • 4

    ARTEX

    baarai/artex

    منصة اختبار اختراق مستقلة متعددة الوكلاء تعتمد على LLM، مع وكلاء تخطيط وتنفيذ، ومخططات للأصول والاستكشاف، وتسجيل حركة مرور MITM، وإعادة اختبار الثغرات.

    360
  • 5

    looking-glass

    anonghosty/looking-glass

    منصة CSIRT تستقبل تقارير Shadowserver في MongoDB وتعيد عرضها كخرائط تفاعلية وتحليلات ونتائج وإرشادات ولوحات معلومات تنفيذية.

    317
  • 6

    CyberStrikeAI

    ed1s0nz/cyberstrikeai

    نظام العمل للأمن السيبراني الأصلي بالذكاء الاصطناعي — حيث تتحول النية إلى تنفيذ محكوم، وتصبح الأدلة ذاكرة تشغيلية، وكل عملية تحسن التي تليها.

    289

استكشف جميع الأدوات

تصفح مجموعتنا من الأدوات

عرض جميع الأدوات →