T-Backdoor

نماذج أكواد للورقة البحثية: 'T-Backdoor: استغلال التكرار الزمني في البيانات العصبية المحاكية لشن هجمات باب خلفي تحافظ على الشوكات على الشبكات العصبية الشوكية (SNNs)'

الملخص

تُعد هجمات الباب الخلفي تهديدًا أمنيًا خطيرًا للشبكات العصبية العميقة (DNNs)، ولا تزال غير مستكشفة إلى حد كبير في الشبكات العصبية الشوكية (SNNs). تُدخل الهجمات الحالية في المقام الأول محفزات زمكانية تُحدث انحرافات في توزيع الشوكات للعينات المسمومة مقارنة بنظيراتها النظيفة. ولمعالجة هذا القيد، يقترح هذا العمل هجوم باب خلفي جديد على الشبكات العصبية الشوكية، يُسمى \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 الشوكات أكثر صعوبة في الاكتشاف بشكل ملحوظ. من خلال تجارب موسعة على ثلاث مجموعات بيانات عصبية محاكية مرجعية: N-MNIST وCIFAR10-DVS وN-Caltech101، وتقييمها 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.

هيكل المستودع

├── 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

---

المتطلبات

• Python 3.11
• وحدة معالجة رسومات تدعم CUDA (تعمل وحدة المعالجة المركزية ولكنها بطيئة بشكل غير عملي)

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

البيئة المرجعية المستخدمة 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

إعداد مجموعة البيانات

قم بتنزيل مجموعات البيانات العصبية المحاكية الخام وضع كل واحدة في دليل فرعي خاص بها ضمن data/، مسمى تمامًا كما هي قيمة --dataset:

data/
├── mnist/       # N-MNIST
├── cifar10/     # CIFAR10-DVS
├── caltech/     # N-Caltech101
└── gesture/     # DVS128-Gesture

⚠️ يجب أن يكون data/ دليلاً حرفيًا في دليل العمل الخاص بك

الاستخدام

1. الهدف الواحد (main_single.py)

محفز 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	فئة الهدف
--T	10	خطوات زمن المحاكاة
--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	off	تمكين 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 بالمحفز

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	off	smart — استهداف المنطقة الأقل نشاطًا بدلاً من الأكثر
--most_polarity	off	smart — استخدام القطبية الأكثر نشاطًا في المنطقة

ضبط --epsilon 0.0 يدرب نموذجًا أساسيًا نظيفًا.

---

2. الأهداف المتعددة (main_multi_target.py)

نوع محفز واحد، N من فئات الأهداف مفصولة بـقيمة معامل المحفز.

# 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/'

الوسيطة	الافتراضي	الوصف
--type	rate	static, latency, rate, jitter, jitter_fixed
--n_targets	3	عدد فئات الأهداف
--trigger_labels	[0..n-1]	تسميات الأهداف الصريحة؛ يجب أن يساوي الطول --n_targets
--epsilon	0.1	الميزانية الإجمالية، مقسمة بالتساوي على الأهداف

المعاملات لكل هدف. قدمها بشكل صريح، أو دعها تُعيَّن تلقائيًا بواسطة np.linspace عبر نطاق. يجب أن يكون طول القوائم الصريحة --n_targets وأن تتجاوز وسائط النطاق.

المحفز	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 مقسمة إلى n_targets من مجموعات الإطارات

المعاملات الصحيحة المعينة تلقائيًا (latency, jitter_fixed) تُزال تكراراتها عن طريق زيادة التعارضات، بحيث لا يتشارك هدفان نفس القيمة.

بالنسبة لـ static، تُفصل الأهداف بـأي الإطارات تحمل الرقعة — المحور الزمني يميزها بدلاً من مظهر الرقعة.

يُطبع ASR لكل هدف في كل دورة، إلى جانب الدقة النظيفة.

---

3. محفزات متعددة وأهداف متعددة (main_mtmt.py)

نوع محفز 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/'

الوسيطة	الافتراضي	الوصف
--n_targets	3	عدد الأهداف؛ 3 و5 لهما إعدادات مسبقة مدمجة
--target_types	None	نوع المحفز لكل هدف — static, latency, rate, jitter, jitter_fixed. يجب أن يساوي الطول --n_targets. يتجاوز الإعدادات المسبقة
--trigger_labels	[0..n-1]	تسميات الأهداف
--epsilon	0.2	الميزانية الإجمالية، مقسمة بالتساوي على الأهداف

قوائم المعاملات لكل نوع. كل قائمة تحتوي على مدخل واحد لكل هدف من ذلك النوع — مع --target_types latency latency rate rate jitter_fixed تمرر تأخيرين ومعدلين وإزاحة واحدة: