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
robustness — درّب الشبكات العصبية وقُيّمها واستكشفها باستخدام أدوات متانة ضد الهجمات العدائية مدمجة، بما في ذلك هجمات PGD، والتدريب ضد الهجمات العدائية، ونماذج مدربة مسبقًا متينة لأبحاث الرؤية الحاسوبية. | Kitploit
أدوات/GitHubGitHub/madrylab/robustness
أدوات دفاعيةتعلم الآلةأمن الذكاء الاصطناعيالهجوم العدائيالأفضل في الهجوم العدائي #6
GitHubmadrylab/robustness

robustness

درّب الشبكات العصبية وقُيّمها واستكشفها باستخدام أدوات متانة ضد الهجمات العدائية مدمجة، بما في ذلك هجمات PGD، والتدريب ضد الهجمات العدائية، ونماذج مدربة مسبقًا متينة لأبحاث الرؤية الحاسوبية.

عرض المستودع
95117971منذ 4 سنواتتمت المراجعة من قبل Kitploit
مشاركة

حزمة robustness

التثبيت عبر pip: pip install robustness

اقرأ الوثائق: https://robustness.readthedocs.io/en/latest/index.html

robustness حزمة أنشأناها (نحن طلاب في MadryLab <http://madry-lab.ml>_) لجعل تدريب الشبكات العصبية وتقييمها واستكشافها مرنًا وسهلًا. نستخدمها في جميع مشاريعنا تقريبًا (سواء تضمنت تدريبًا عدائيًا أم لا!) وستكون اعتمادًا في العديد من إصداراتنا القادمة من التعليمات البرمجية. من بين المشاريع التي تستخدم المكتبة:

  • الكود الخاص بـ "Learning Perceptually-Aligned Representations via Adversarial Robustness" <https://github.com/MadryLab/robust_representations>_ (https://arxiv.org/abs/1906.00945)
  • الكود الخاص بـ "Image Synthesis with a Single (Robust) Classifier" <https://github.com/MadryLab/robustness_applications>_ (https://arxiv.org/abs/1906.09453)
  • الكود الخاص بـ "Do Adversarially Robust ImageNet Models Transfer Better?" <https://github.com/microsoft/robust-models-transfer>_ (https://arxiv.org/abs/2007.08489)
  • الكود الخاص بـ "BREEDS: Benchmarks for Subpopulation Shift" <https://github.com/MadryLab/BREEDS-Benchmarks>_ (https://arxiv.org/abs/2008.04859)
  • الكود الخاص بـ "Certified Patch Robustness via Smoothed Vision Transformers." <https://github.com/MadryLab/smoothed-vit>_ (https://arxiv.org/abs/2110.07719)
  • الكود الخاص بـ "Unadversarial Examples: Designing Objects for Robust Vision." <https://github.com/microsoft/unadversarial>_ (https://arxiv.org/abs/2012.12235)

نحن نوضح كيفية استخدام المكتبة في مجموعة من الأدلة العملية ومرجع API الخاص بنا. تشمل الوظائف التي توفرها المكتبة:

  • تدريب وتقييم النماذج القياسية والمتينة لمجموعة متنوعة من مجموعات البيانات/البنى المعمارية باستخدام واجهة CLI <https://robustness.readthedocs.io/en/latest/example_usage/cli_usage.html>. توفر المكتبة أيضًا دعمًا لإضافة مجموعات بيانات مخصصة <https://robustness.readthedocs.io/en/latest/example_usage/training_lib_part_2.html#training-on-custom-datasets> وبنى معمارية للنماذج <https://robustness.readthedocs.io/en/latest/example_usage/training_lib_part_2.html#training-with-custom-architectures>_.

.. code-block:: bash

python -m robustness.main --dataset cifar --data /path/to/cifar
--adv-train 0 --arch resnet18 --out-dir /logs/checkpoints/dir/

  • إجراء معالجة المدخلات <https://robustness.readthedocs.io/en/latest/example_usage/input_space_manipulation.html>_ باستخدام نماذج متينة (أو قياسية) نماذج---يشمل ذلك إنشاء أمثلة عدائية، وعكس التمثيلات، وتصور السمات، وما إلى ذلك. توفر المكتبة مجموعة متنوعة من خيارات التحسين (مثل الاختيار بين التدرجات الحقيقية/المقدرة، وأساس فورييه/البكسل، ودوال الخسارة المخصصة، وما إلى ذلك)، ويسهل توسيعها.

.. code-block:: python

import torch as ch from robustness.datasets import CIFAR from robustness.model_utils import make_and_restore_model

ds = CIFAR('/path/to/cifar') model, _ = make_and_restore_model(arch='resnet50', dataset=ds, resume_path='/path/to/model', state_dict_path='model') model.eval() attack_kwargs = { 'constraint': 'inf', # L-inf PGD 'eps': 0.05, # Epsilon constraint (L-inf norm) 'step_size': 0.01, # Learning rate for PGD 'iterations': 100, # Number of PGD steps 'targeted': True # Targeted attack 'custom_loss': None # Use default cross-entropy loss }

_, test_loader = ds.make_loaders(workers=0, batch_size=10) im, label = next(iter(test_loader)) target_label = (label + ch.randint_like(label, high=9)) % 10 adv_out, adv_im = model(im, target_label, make_adv, **attack_kwargs)

  • استيراد robustness كحزمة، مما يتيح سهولة تدريب الشبكات العصبية مع دعم دوال الخسارة المخصصة، والتسجيل، وتحميل البيانات، والمزيد! يمكن العثور على مقدمة جيدة في دليلنا العملي المكوّن من جزأين (الجزء 1 <https://robustness.readthedocs.io/en/latest/example_usage/training_lib_part_1.html>, الجزء 2 <https://robustness.readthedocs.io/en/latest/example_usage/training_lib_part_2.html>).

.. code-block:: python

from robustness import model_utils, datasets, train, defaults from robustness.datasets import CIFAR

We use cox (http://github.com/MadryLab/cox) to log, store and analyze

results. Read more at https//cox.readthedocs.io.

from cox.utils import Parameters import cox.store

Hard-coded dataset, architecture, batch size, workers

ds = CIFAR('/path/to/cifar') m, _ = model_utils.make_and_restore_model(arch='resnet50', dataset=ds) train_loader, val_loader = ds.make_loaders(batch_size=128, workers=8)

Create a cox store for logging

out_store = cox.store.Store(OUT_DIR)

Hard-coded base parameters

train_kwargs = { 'out_dir': "train_out", 'adv_train': 1, 'constraint': '2', 'eps': 0.5, 'attack_lr': 1.5, 'attack_steps': 20 } train_args = Parameters(train_kwargs)

Fill whatever parameters are missing from the defaults

train_args = defaults.check_and_fill_args(train_args, defaults.TRAINING_ARGS, CIFAR) train_args = defaults.check_and_fill_args(train_args, defaults.PGD_ARGS, CIFAR)

Train a model

train.train_model(train_args, m, (train_loader, val_loader), store=out_store)

ملاحظة: تتطلب robustness تثبيت PyTorch مع دعم CUDA.

نماذج مدربة مسبقًا

إلى جانب كود التدريب، نُصدر عددًا من النماذج المدربة مسبقًا لمجموعات بيانات ومعايير وقيم ε-train مختلفة. سيتم تحديث هذه القائمة كلما أصدرنا نماذج أكثر أو محسّنة. يرجى الاستشهاد بهذه المكتبة (انظر إدخال bibtex أدناه) إذا استخدمت هذه النماذج في أبحاثك.

لكل مجموعة (نموذج، ε-test) نقوم بتقييم PGD بخطوات 20 و100 خطوة بحجم خطوة قدره 2.5 * ε-test / num_steps. نظرًا لأن هاتين الدقتين متقاربتان جدًا من بعضهما البعض، فإننا لا نأخذ في الاعتبار المزيد من خطوات PGD. لكل قيمة ε-test، نبرز أفضل دقة متينة تم تحقيقها عبر قيم ε-train مختلفة بالخط العريض.

ملاحظة #1: لم نقم بأي ضبط لفرط المعلمات (hyperparameters) واستخدمنا ببساطة نفس فرط المعلمات المستخدمة في التدريب القياسي. من المحتمل أن استكشاف فرط معلمات تدريب مختلفة سيزيد هذه الدقة المتينة ببضع نقاط مئوية.

ملاحظة #2: تم حفظ ملفات نقاط تفتيش pytorch (.pt) أدناه باستخدام الإصدارات التالية من PyTorch و Dill:

.. code-block::

torch==1.1.0 dill==0.2.9

CIFAR10 معيار L2 (ResNet50):

  • ε = 0.0 <https://www.dropbox.com/s/yhpp4yws7sgi6lj/cifar_nat.pt?dl=0>_ (تدريب قياسي)
  • ε = 0.25 <https://www.dropbox.com/s/2qsp7pt6t7uo71w/cifar_l2_0_25.pt?dl=0>_
  • ε = 0.5 <https://www.dropbox.com/s/1zazwjfzee7c8i4/cifar_l2_0_5.pt?dl=0>_
  • ε = 1.0 <https://www.dropbox.com/s/s2x7thisiqxz095/cifar_l2_1_0.pt?dl=0>_
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.

    806
  • 2

    ghostlock-app

    yukonga/ghostlock-app

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

    523
  • 3

    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.

    441
  • 4

    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.

    346
  • 5

    looking-glass

    anonghosty/looking-glass

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

    270
  • 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.

    264

استكشف جميع الأدوات

تصفح مجموعتنا من الأدوات

عرض جميع الأدوات →