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
DetectViT — كاشف وقت الاختبار خالٍ من التدريب ومستقل عن المحفزات لمحولات الرؤية (Vision Transformers) ذات الأبواب الخلفية، يحدد العينات المسمومة باستخدام اتساق الانتباه بين الرؤوس وتباين الإنتروبيا. | Kitploit
أدوات/GitHubGitHub/siquanhuang/detectvit
أدوات دفاعيةتعلم الآلةالأوراق والأبحاثأمن الذكاء الاصطناعيكشف الشذوذ
GitHubsiquanhuang/detectvit

DetectViT

كاشف وقت الاختبار خالٍ من التدريب ومستقل عن المحفزات لمحولات الرؤية (Vision Transformers) ذات الأبواب الخلفية، يحدد العينات المسمومة باستخدام اتساق الانتباه بين الرؤوس وتباين الإنتروبيا.

عرض المستودع
19منذ 2 أياملم تتم المراجعة بعد
مشاركة

DetectViT: كشف الأبواب الخلفية في وقت الاختبار لمحوّلات الرؤية عبر التباين في الانتباه بين الرؤوس

Siquan Huang1، Yijiang Li2، Xingfu Yan3,*، Ningzhi Gao1، Leyu Shi1، Ying Gao1,*

1جامعة جنوب الصين للتكنولوجيا   2جامعة كاليفورنيا، سان دييغو   3جامعة جنوب الصين العادية

*المؤلفون المراسلون

NeurIPS 2026 Paper Poster License


نظرة عامة

محوّلات الرؤية (ViTs) هي المشفّر البصري لمعظم النماذج متعددة الوسائط، ويعتمد الممارسون عادةً على نقاط تفتيش مدربة مسبقًا من طرف ثالث قد تحمل بابًا خلفيًا. DetectViT هو كاشف لعينات الأبواب الخلفية في وقت الاختبار لمحوّلات الرؤية، يقرأ رؤوس الانتباه بدلًا من مخرجات النموذج أو تمثيلاته التضمينية.

  • بدون تدريب. لا حاجة إلى الوصول إلى بيانات التدريب ولا إلى نموذج مساعد للتدريب.
  • بدون مخرجات. يعمل لكل من التصنيف والتوليد المفتوح (مثل وصف الصور باستخدام LLaVA).
  • مستقل عن المحفّز. لا يُشترط أي معرفة مسبقة بنوع المحفّز.
  • خفيف الوزن. تمريرة أمامية واحدة لكل عينة اختبار؛ إذ تعيد عملية الكشف استخدام أوزان الانتباه المحسوبة أصلًا أثناء الاستدلال.

الملاحظة الرئيسية

على الصور النظيفة، تنتبه رؤوس الانتباه إلى مناطق مختلفة بدرجة تركيز متقاربة. وتُخلّ محفّزات الأبواب الخلفية بهذا التوازن بطريقتين:

  • اختطاف كامل للانتباه. محفّز مرئي وموضعي يسحب جميع الرؤوس نحو المنطقة نفسها، مما يُنتج تداخلًا مكانيًا غير طبيعي وعالٍ بين الرؤوس.
  • اختطاف جزئي للانتباه. محفّز خفي وعالمي يستحوذ على الرؤوس بشكل غير متساوٍ، مما يُنتج تباينًا غير طبيعي وكبيرًا في تركيز الانتباه عبر الرؤوس.

انتباه CLS-to-patch لستة رؤوس لصورة نظيفة، وصورة بمحفّز رقعة مرئي (اختطاف كامل)، وصورة بمحفّز مدمج خفي (اختطاف جزئي)

الطريقة

خط أنابيب DetectViT

يستخرج DetectViT توزيع الانتباه من CLS إلى الرقع لكل رأس ويحسب إشارتين متكاملتين:

  • درجة الاتساق بين الرؤوس $\mathcal{S}_{\text{cons}}$: متوسط تشابه جيب التمام الزوجي بين رؤوس الطبقة (الأقصى عبر الطبقات). وهي تلتقط الاختطاف الكامل.
  • درجة تباين الإنتروبيا بين الرؤوس $\mathcal{S}_{\text{var}}$: تباين إنتروبيا الانتباه لكل رأس داخل الطبقة (الأقصى عبر الطبقات). وهي تلتقط الاختطاف الجزئي.

تُقدَّر العتبات بقاعدة الثلاثة سيغما، $\tau = \mu + 3\sigma$، من 64 إلى 128 صورة نظيفة خارج التوزيع من أي مصدر فقط. وتُوسم عينة الاختبار بأنها مصابة بباب خلفي إذا كان $\mathcal{S}{\text{cons}} > \tau{\text{cons}}$ أو $\mathcal{S}{\text{var}} > \tau{\text{var}}$.


النتائج الرئيسية

أداء الكشف على أربع هجمات أبواب خلفية على محوّلات الرؤية. معدل الإيجابيات الحقيقية (TPR) ومعدل الإيجابيات الكاذبة (FPR) بالنسبة المئوية (٪)، وAUC على مقياس [0، 1]. تعني "–" أن الطريقة غير قابلة للتطبيق (لا تستطيع الطرق القائمة على التسميات التعامل مع التعليقات النصية الحرة) أو أنها لا تُنتج درجة متصلة.

الدفاعBadViT
TPR↑ / FPR↓ / AUC↑
TrojViT
TPR↑ / FPR↓ / AUC↑
BadCLIP
TPR↑ / FPR↓ / AUC↑
BadVision
TPR↑ / FPR↓ / AUC↑
TeCo77.95 / 61.86 / 0.6355.00 / 51.76 / 0.5199.20 / 39.52 / 0.89–
Scale-Up88.65 / 30.66 / 0.8185.00 / 41.98 / 0.7491.84 / 65.03 / 0.66–
PatchProc90.61 / 18.42 / 0.8987.60 / 21.44 / 0.8586.97 / 26.78 / 0.82–
DeDe63.97 / 23.29 / 0.7850.20 / 25.80 / 0.7255.12 / 27.97 / 0.697.00 / 29.68 / 0.50
BackdoorIDS80.79 / 9.73 / –5.00 / 10.84 / –93.24 / 16.88 / –96.00 / 15.96 / –
DetectViT100.00 / 1.58 / 1.0090.80 / 5.94 / 0.95100.00 / 0.17 / 1.0096.00 / 3.00 / 0.99

هجمات إضافية. على خمس هجمات أخرى تشمل المشفّرات ذاتية الإشراف (BadEncoder، DRUPE)، والتسميم بالتسميات النظيفة (Label-Consistent)، والمحفّزات في نطاق التردد (Low-Frequency)، والمحفّزات العالمية المُحسَّنة (Blended-Optimized)، تُعدّ DetectViT الطريقة الوحيدة التي تحافظ على AUC لا يقل عن 0.97 في جميعها. النتائج الكاملة موجودة في ملحق الورقة البحثية.

زمن التشغيل. متوسط زمن الكشف لكل عيّنة (بالثواني):

الدفاعBadViTTrojViTBadCLIPBadVision
TeCo2.50944.29201.8448–
Scale-Up0.02460.02610.0696–
PatchProc0.66860.69260.8257–
DeDe0.02060.02790.10340.6060
BackdoorIDS0.17340.19820.25603.3458
DetectViT0.01240.01340.01630.0226

الملصق

DetectViT NeurIPS 2026 poster

انقر على الصورة لفتح ملف PDF بالدقة الكاملة.


التثبيت

git clone https://github.com/siquanhuang/DetectViT.git
cd DetectViT

المتطلبات الأساسية

  • Python 3.10.5
  • PyTorch 2.1.2
  • CUDA 11.8

نماذج الهجوم والمحفزات المُدرَّبة مسبقًا

نزِّل نقاط فحص النموذج المُخترَق (backdoored) المُدرَّبة مسبقًا والمحفزات المُحسَّنة من Google Drive:

[رابط Google Drive]


الاستخدام

طريقة الكشف مُنفَّذة في detectvit.py. شغِّل main.py لتقييم DetectViT مقابل كل هجوم.

BadViT

python3 main.py \
  --defense DetectViT \
  --attack_type badvit \
  --trojvit_attack_dir TrojViT/logs/Caltech101_DeiT-T_target0_BadViT \
  --trojvit_network DeiT-T \
  --trojvit_num_classes 102 \
  --trojvit_data_dir ./data

TrojViT

python3 main.py \
  --defense DetectViT \
  --attack_type trojvit \
  --trojvit_attack_dir TrojViT/logs/Tiny-ImageNet_DeiT-S_target2_TrojViT \
  --trojvit_data_dir ./data/tiny-imagenet-200 \
  --trojvit_network DeiT-S \
  --gpu 0

BadCLIP

python3 -u main.py \
  --defense DetectViT \
  --attack_type badclip \
  --gpu 0 \
  --eval_data_type ImageNet1K \
  --eval_test_data_dir BadCLIP/data/ImageNet1K/validation/ \
  --add_backdoor \
  --asr \
  --label banana \
  --patch_type ours_tnature \
  --patch_location middle \
  --patch_name BadCLIP/opti_patches/tnature_eda_bs64_ep50_32_middle_01_05_pos_neg.jpg \
  --patch_size 32

BadVision

python3 -u main.py \
  --defense DetectViT \
  --attack_type badvision \
  --gpu 0

الوسائط الرئيسية

الوسيطةالوصفالافتراضي
--defenseطريقة الكشف (DetectViT، DeDe، BackdoorIDS، ...)DetectViT
--attack_typeالهجوم المراد تقييمه (badvit، trojvit، badclip، badvision)—
--gpuمعرّف جهاز GPU0

الاستشهاد

إذا وجدت هذا العمل مفيدًا، فيُرجى التفكير في الاستشهاد بورقتنا البحثية.

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.

    1.1k
  • 2

    ghostlock-app

    yukonga/ghostlock-app

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

    618
  • 3

    looking-glass

    anonghosty/looking-glass

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

    411
  • 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.

    328
  • 5

    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.

    314
  • 6

    Aliens_eye

    arxhr007/aliens_eye

    محرك OSINT مدعوم بالذكاء الاصطناعي لاكتشاف ورسم خرائط أكثر من 7,700 هوية على وسائل التواصل الاجتماعي عبر الويب

    275

استكشف جميع الأدوات

تصفح مجموعتنا من الأدوات

عرض جميع الأدوات →