
بحث كودي يطبق T-Backdoor، هجمات الباب الخلفي ذات المحفز الزمني على الشبكات العصبية النبضية باستخدام محفزات المعدل والكمون والاهتزاز دون اضطراب مكاني.
تُعدّ هجمات الباب الخلفي تهديدًا أمنيًا خطيرًا للشبكات العصبية العميقة (DNNs)، ولا تزال غير مستكشفة إلى حد كبير بالنسبة للشبكات العصبية النبضية (SNNs). تُدخل الهجمات الحالية في المقام الأول محفزات زمكانية تُحدث انحرافات في توزيع النبضات للعينات المسمومة مقارنةً بنظيراتها النظيفة. ولمعالجة هذا القيد، تقترح هذه الورقة هجوم باب خلفي جديدًا على الشبكات العصبية النبضية، يُطلق عليه \textbf{T-Backdoor}، والذي يعمل باستخدام محفزات زمنية بحتة مثل \textit{Rate} و\textit{Latency} و\textit{Jitter} دون إدخال أي اضطراب مكاني، مما يجعل التحول في توزيعات النبضات أصعب بكثير في الاكتشاف. ومن خلال تجارب موسعة على ثلاث مجموعات بيانات عصبية شكلية مرجعية: N-MNIST وCIFAR10-DVS وN-Caltech101، وتقييم مقابل سبع طرق دفاع مرجعية ضد الباب الخلفي، نُظهر أن T-Backdoor يحقق معدل نجاح هجوم (ASR) شبه مثالي يبلغ 100% في كل من إعدادات الهدف الواحد والأهداف المتعددة مع تدهور طفيف فقط في الدقة النظيفة، مع بقائه صامدًا أمام تقنيات الكشف عن الباب الخلفي والتخفيف منه الحالية.
├── models.py # Architectures for all datasets (shared)
├── datasets.py # Neuromorphic dataset loading (shared)
│
├── main_single.py # 1. Single-target entry point
├── single_poisoned_dataset.py # Trigger implementations + loaders
├── single_utils.py # Train/eval loop, saving, plots
├── single_target.sh # Paper runs
│
├── main_multi_target.py # 2. Multi-target entry point
├── multi_target_poisoned_dataset.py # Per-target parameter assignment
├── multi_target_utils.py # Per-target ASR tracking, saving
├── multi_target.sh # Paper runs
│
├── main_mtmt.py # 3. Multi-trigger multi-target entry point
├── mtmt_poisoned_dataset.py # Per-target trigger-type config
├── mtmt_utils.py # Per-target ASR tracking, saving
└── mtmt.sh # Paper runs
python -m venv venv
source venv/bin/activate
pip install torch torchvision # CUDA build matching your driver
pip install spikingjelly
pip install numpy scipy matplotlib seaborn tqdm
بيئة مرجعية للنتائج المُبلَّغ عنها:
| الحزمة | الإصدار |
|---|---|
| Python | 3.11.10 |
| torch | 2.11.0+cu128 |
| torchvision | 0.26.0+cu128 |
| numpy | 2.2.6 |
| scipy | 1.16.0 |
| matplotlib | 3.8.4 |
| seaborn | 0.13.2 |
| spikingjelly | latest from source |
نزّل مجموعات البيانات العصبية المحاكية (neuromorphic) الخام وضع كل واحدة منها في دليل فرعي خاص بها ضمن
data/، مسمّى تمامًا بالقيمة نفسها الخاصة بـ --dataset:
data/
├── mnist/ # N-MNIST
├── cifar10/ # CIFAR10-DVS
├── caltech/ # N-Caltech101
└── gesture/ # DVS128-Gesture
data/ مجلدًا حرفيًا في دليل العمل الخاص بكmain_single.py)محفّز واحد، فئة هدف واحدة.
python main_single.py --dataset cifar10 --type latency --delay_frames 1 \
--T 10 --epochs 100 --epsilon 0.1 --data_dir 'data/'
الوسائط الأساسية
| الوسيطة | الافتراضي | الوصف |
|---|---|---|
--dataset | gesture | mnist، cifar10، caltech، gesture |
--type | static | static، moving، smart، latency، rate، jitter، jitter_fixed |
--epsilon | 0.1 | نسبة مجموعة التدريب المراد تسميمها |
--trigger_label | 0 | الفئة المستهدفة |
--T | 10 | خطوات زمنية للمحاكاة |
--epochs | 10 | دورات التدريب |
--batch_size | 16 | حجم الدفعة |
--lr | 0.001 | معدل التعلم |
--loss | mse | mse أو cross |
--optim | adam | adam أو sgd |
--amp | معطّل | تفعيل الدقة المختلطة التلقائية |
--seed | 42 | البذرة العشوائية |
--data_dir | data/ | جذر مجموعة البيانات |
--save_path | experiments_single | جذر المخرجات |
--model_path | None | البدء من نقطة تحقق مدربة مسبقًا |
الوسائط الخاصة بالمحفّز
| الوسيطة | الافتراضي | تنطبق على |
|---|---|---|
--delay_frames | 2 | latency — إطارات التأخير |
--scale_factor | 0.5 | rate — <1 أبطأ، >1 أسرع |
--n_shift | 3 | jitter_fixed — عدد أزواج الإطارات المتبادلة |
--trigger_size | 0.1 | static/moving/smart — حجم الرقعة كنسبة من العرض |
--pos | top-left | static — top-left، top-right، bottom-left، bottom-right، middle، random |
--polarity | 3 | static/moving/smart — 0=أسود، 1=أزرق داكن، 2=أخضر، 3=أزرق فاتح |
--n_masks | 2 | smart — عدد المناطق المرشحة |
--least | معطّل | smart — استهداف المنطقة الأقل نشاطًا بدلًا من الأكثر |
--most_polarity | معطّل | smart — استخدام القطبية الأكثر نشاطًا في المنطقة |
تعيين --epsilon 0.0 يدرّب نموذجًا أساسيًا نظيفًا.
main_multi_target.py)نوع محفّز واحد، وN من الفئات المستهدفة مفصولة بـقيمة الوسيطة الخاصة بالمحفّز.
# Latency: delay 1 -> class 0, delay 3 -> class 1, delay 5 -> class 2
python main_multi_target.py --dataset mnist --type latency --n_targets 3 \
--trigger_labels 0 1 2 --delay_params 1 3 5 \
--epsilon 0.2 --T 10 --epochs 10 --data_dir 'data/'
| المعامل | الافتراضي | الوصف |
|---|---|---|
--type | rate | static، latency، rate، jitter، jitter_fixed |
--n_targets | 3 | عدد فئات الهدف |
--trigger_labels | [0..n-1] | تسميات الهدف الصريحة؛ يجب أن يساوي طولها --n_targets |
--epsilon | 0.1 | الميزانية الإجمالية، مقسّمة بالتساوي على الأهداف |
المعاملات الخاصة بكل هدف. قدّمها صراحةً، أو دعها تُعيَّن تلقائيًا بواسطة
np.linspace عبر نطاق. يجب أن يكون طول القوائم الصريحة مساويًا لـ --n_targets وأن تتجاوز
معاملات النطاق.
| المشغّل | صريح | نطاق تلقائي | الافتراضي التلقائي |
|---|---|---|---|
latency | --delay_params 1 3 5 | --delay_min، --delay_max | 1 … T//2 |
rate | --rate_params 0.3 0.6 0.9 | --rate_min، --rate_max | 0.1 … 6.0 |
jitter | --jitter_params 0.05 0.15 0.25 | --jitter_std_min، --jitter_std_max | 0.05 … 0.3 |
jitter_fixed | --nshift_params 1 3 5 | --n_shift_min، --n_shift_max | 1 … max(n_shift_min+1, T//4) |
static | — | — | T مقسّمة إلى n_targets من مجموعات الإطارات |
تُزال التكرارات من المعاملات الصحيحة المعيَّنة تلقائيًا (latency، jitter_fixed) عن طريق
زيادة التعارضات، بحيث لا يتشارك هدفان القيمة نفسها.
بالنسبة إلى static، تُفصل الأهداف بواسطة الإطارات التي تحمل الرقعة — فالمحور الزمني
يميّز بينها بدلًا من مظهر الرقعة.
تُطبع ASR الخاصة بكل هدف في كل حقبة، إلى جانب الدقة النظيفة.
main_mtmt.py)نوع مشغّل مختلف لكل هدف.
python main_mtmt.py --dataset mnist --T 10 --n_targets 5 \
--target_types latency latency rate rate jitter_fixed \
--trigger_labels 0 1 2 3 4 \
--latency_delays 1 2 --rate_scales 0.5 2.0 --jitter_fixed_shifts 3 \
--epsilon 0.3 --epochs 100 --data_dir 'data/'
| المعامل | الافتراضي | الوصف |
|---|---|---|
--n_targets | 3 | عدد الأهداف؛ القيمتان 3 و5 لهما إعدادات مسبقة مدمجة |
--target_types | None | نوع المُحفِّز لكل هدف — static، latency، rate، jitter، jitter_fixed. يجب أن يساوي الطول قيمة --n_targets. يتجاوز الإعدادات المسبقة |
--trigger_labels | [0..n-1] | تسميات الأهداف |
--epsilon | 0.2 | الميزانية الإجمالية، تُقسَّم بالتساوي على الأهداف |
قوائم المعاملات لكل نوع. تحتوي كل قائمة على مدخل واحد لكل هدف من ذلك النوع — مع
--target_types latency latency rate rate jitter_fixed تمرر تأخيرين ومعدلين
وإزاحة واحدة: