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
ToBAC — ثغرات الباب الخلفي في النماذج الانحدارية الذاتية الموحّدة، رمزاً برمز: الاختراق (NeurIPS'26) | Kitploit
أدوات/GitHubGitHub/multimodal-ai-lab/tobac
تعلم الآلةالأوراق والأبحاثالتعلم والتعليمأمن الذكاء الاصطناعيالهجوم العدائي
GitHubmultimodal-ai-lab/tobac

ToBAC

ثغرات الباب الخلفي في النماذج الانحدارية الذاتية الموحّدة، رمزاً برمز: الاختراق (NeurIPS'26)

عرض المستودع
3101منذ 14 أياملم تتم المراجعة بعد
مشاركة
الموقع الإلكتروني

🚬 ToBAC (NeurIPS 2026)

arXiv paper Project page Hugging Face dataset MIT License

NeurIPS 2026 · التنفيذ الرسمي بـ PyTorch
Token by Token, Compromised: Backdoor Vulnerabilities in Unified Autoregressive Models

ToBAC: محفّز نصي يؤدي إلى توليد صور ونصوص مسمومة

ToBAC (Token by Token Backdoor Attack) يدرس كيفية تأثير الأبواب الخلفية على النماذج الانحدارية الذاتية الموحّدة التي تولّد الصور والنصوص معًا. نحن نبحث في تسميم النماذج مع الوصول إلى النموذج الضحية وتسميم البيانات باستخدام أزواج صور–نصوص معدّلة، بما في ذلك الهجمات التي تؤثر على نمطي الإخراج كليهما. راجع الورقة البحثية للاطلاع على نماذج التهديد والتجارب.

يدعم الكود Liquid (افتراضيًا) وJanus-Pro، مع أغلفة إضافية لـ Emu3 وANOLE. يتضمن الاستدلال على الصور والنصوص، وهجمات الصندوق الأبيض والصندوق الأسود القائمة على LoRA، وسكربتات لتوليد صور مجموعة البيانات المعدّلة.


  • الإعداد
  • الاستدلال
  • التدريب
  • مجموعة البيانات
  • نماذج إضافية
  • هيكل المشروع
  • الترخيص
  • الاقتباس

📦 الإعداد

استخدم Linux مع وحدة معالجة رسومات NVIDIA CUDA ومجموعة أدوات CUDA متوافقة مع PyTorch 2.5.1. يتم بناء FlashAttention أثناء التثبيت؛ يُوصى باستخدام Python 3.10. نفّذ الأوامر من جذر المستودع.

git clone https://github.com/multimodal-ai-lab/ToBAC.git
cd ToBAC
pip install uv
uv sync --python 3.10
النموذجعلامة النموذجالأوزان الأساسية
Liquid (افتراضي)liquidJunfeng5/Liquid_V1_7B
Janus-Projanusdeepseek-ai/Janus-Pro-7B

تُنزَّل الأوزان الأساسية تلقائيًا عند الاستخدام الأول. لا يحتاج Janus-Pro إلى تنزيل مُرمِّز إضافي. بالنسبة إلى Liquid، نزِّل نقطة تفتيش مُرمِّز الصور؛ إذ يتضمن إعداد YAML الخاص بها:

wget -P tobac/models/chameleon/vqgan_weights/ \
  https://huggingface.co/spaces/Junfeng5/Liquid_demo/resolve/main/chameleon/vqgan.ckpt

بالنسبة لموارد Hugging Face الخاضعة للتحكم في الوصول، قم بالمصادقة باستخدام uv run hf auth login بحساب يمتلك صلاحية الوصول.


🖼️ الاستدلال

توليد الصور باستخدام Liquid

uv run python inference_text_to_image.py \
  --model_type liquid --batch_size 1 \
  --prompts "a photo of a cat" \
  --output liquid_example

تُحفظ الصور في outputs/images/liquid_example/. استخدم --model_type janus واسم إخراج مختلفًا للتوليد باستخدام Janus-Pro. يمكن تمرير مطالبات متعددة كـ --prompts "first prompt" "second prompt"، أو تحميلها باستخدام --prompts_file prompts.csv مع الأعمدة idx,prompt.

وصف صورة باستخدام Janus-Pro

uv run python inference_image_to_text.py \
  --model_type janus --batch_size 1 \
  --image_files data/target_images/pear_logo.png \
  --prompts "Describe this image."

تُطبع الاستجابات إلى الطرفية. استبدل janus بـ liquid لاستخدام Liquid. يقبل كلا سكربتي الاستدلال --checkpoint /path/to/adapter لتحميل محوّل LoRA مدرَّب للنموذج المحدد.


🧪 التدريب

تستخدم أمثلة الصندوق الأسود مفهوم anarchy؛ وتستخدم أمثلة الصندوق الأبيض smoking person. يستخدم كلاهما المُشغِّل cool. يستخدم التدريب أعلامًا منقّطة مثل --model.model_type janus؛ ويستخدم الاستدلال --model_type janus. مرّر --help إلى نقطة الدخول لفحص خياراتها.

تتبّع التجارب

سجّل الدخول إلى Weights & Biases قبل التدريب:

uv run wandb login

يسجّل كل تشغيل تدريبي إعداداته ومنحنيات الخسارة ومعدل التعلم ومخرجات التحقق في تشغيل W&B خاص به. تحدد الأوامر أدناه مشروع ToBAC. اضبط WANDB_ENTITY لاختيار حساب أو فريق؛ وإلا يستخدم W&B حسابك الافتراضي. للتسجيل المحلي، أضف البادئة WANDB_MODE=offline إلى الأمر.

يستخدم التحقق جميع validation_prompts مع بذور أخذ عينات ثابتة في كل خطوة تحقق، ويعرض المخرجات النظيفة والمُفعَّلة معًا. الإعدادات الافتراضية الثلاثة هي رسمة الكوب، والقندس الذي يسبح في بحيرة كندية، ورائد الفضاء الذي يمتطي حصانًا. تجاوز --validation_prompts لاستخدام أمثلتك الخاصة. اضبط التكرار باستخدام --steps_between_validation؛ استخدم --run_name جديدًا لكل تجربة لأن أدلة التشغيل الموجودة يتم تخطيها.

الصندوق الأسود: التدريب من مجموعة بيانات ToBAC

Janus-Pro، من النص إلى الصورة:

uv run python main_text_to_image_attack_blackbox.py \
  --model.model_type janus \
  --project.project_name ToBAC --run_name janus_anarchy_blackbox \
  --data.data_source.type huggingface \
  --data.data_source.hf_dataset MAI-Lab/ToBAC \
  --data.data_source.hf_concept anarchy \
  --data.data_source.enable_clean True \
  --data.text_trigger "cool" --data.text_trigger_injection_mode format \
  --data.injection_rate 1.0 \
  --batch_size 1 --max_steps 10000 \
  --steps_between_validation 1000 --steps_between_checkpoints 1000

تدريب موحّد على الصور والنصوص، سائل:

uv run python main_unified_attack_blackbox.py \
  --model.model_type liquid \
  --project.project_name ToBAC --run_name liquid_anarchy_unified_blackbox \
  --data.data_source.type huggingface \
  --data.data_source.hf_dataset MAI-Lab/ToBAC \
  --data.data_source.hf_concept anarchy \
  --data.data_source.enable_clean True \
  --data.text_trigger "cool" --data.text_trigger_injection_mode format \
  --data.dynamic_target_responses False --data.injection_rate 1.0 \
  --data.use_text_trigger_for_i2t False \
  --batch_size 1 --max_steps 10000 \
  --steps_between_validation 1000 --steps_between_checkpoints 1000

يدعم كلا الأمرين liquid وjanus. اختر rainbow أو anarchy أو pear باستخدام --data.data_source.hf_concept. يُدرج المُحمِّل المُحفِّز في العنصر النائب {} الخاص بالسياق ويقرنه بالصورة الهدف المحددة. مع enable_clean True، يتضمن أيضًا الصورة النظيفة والسياق مع إزالة العنصر النائب. يستمد التدريب الموحَّد التسمية التوضيحية الهدف من المفهوم والسياق، ثم يُلحق استجابة الهدف المُهيأة. لا تحتوي تعليمات تحويل الصورة إلى نص على مُحفِّز النص افتراضيًا (use_text_trigger_for_i2t=False)؛ إذ تُوفِّر الصورة المُعدَّلة المُحفِّز لهذا النمط.

الصندوق الأبيض: تسميم النموذج

Liquid، من النص إلى الصورة:

uv run python main_text_to_image_attack_whitebox.py \
  --model.model_type liquid \
  --project.project_name ToBAC --run_name liquid_smoking_whitebox \
  --data.target_attribute "smoking person" --data.text_trigger "cool" \
  --data.injection_rate 1.0 \
  --batch_size 1 --max_steps 1000 \
  --steps_between_validation 250 --steps_between_checkpoints 1000

Janus-Pro، تدريب موحّد للصور والنصوص:

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.

    1.0k
  • 2

    ghostlock-app

    yukonga/ghostlock-app

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

    634
  • 3

    looking-glass

    anonghosty/looking-glass

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

    417
  • 4

    jumpserver

    jumpserver/jumpserver

    JumpServer هي منصة مفتوحة المصدر لإدارة الامتيازات (PAM) توفر لفرق DevOps وتكنولوجيا المعلومات وصولًا آمنًا عند الطلب إلى نقاط نهاية SSH وRDP وKubernetes وقواعد البيانات وRemoteApp عبر متصفح الويب.

    383
  • 5

    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.

    328
  • 6

    SafeLine

    chaitin/safeline

    WAF مستضافة ذاتيًا ووكيل عكسي يقوم بتصفية حركة المرور HTTP الضارة، ويمنع هجمات SQL injection و XSS وهجمات البوت، مع تحديد معدل الطلبات وتشفير HTML/JS الديناميكي.

    288

استكشف جميع الأدوات

تصفح مجموعتنا من الأدوات

عرض جميع الأدوات →