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
T-Backdoor — بحث كودي يطبق T-Backdoor، هجمات الباب الخلفي ذات المحفز الزمني على الشبكات العصبية النبضية باستخدام محفزات المعدل والكمون والاهتزاز دون اضطراب مكاني. | Kitploit
أدوات/GitHubGitHub/sisl-uri/t-backdoor
تعلم الآلةالأوراق والأبحاثالتعلم والتعليمأمن الذكاء الاصطناعيالهجوم العدائي
GitHubsisl-uri/t-backdoor

T-Backdoor

بحث كودي يطبق T-Backdoor، هجمات الباب الخلفي ذات المحفز الزمني على الشبكات العصبية النبضية باستخدام محفزات المعدل والكمون والاهتزاز دون اضطراب مكاني.

عرض المستودع
283منذ 13 أياملم تتم المراجعة بعد
مشاركة

نماذج أكواد للورقة البحثية: 'T-Backdoor: استغلال التكرار الزمني في البيانات العصبية الشكلية لهجمات باب خلفي تحافظ على النبضات على الشبكات العصبية النبضية (SNNs)'

الملخص

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.

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 رسوميات (GPU) تدعم CUDA (تعمل وحدة المعالجة المركزية (CPU) لكنها 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

بيئة مرجعية للنتائج المُبلَّغ عنها:

الحزمةالإصدار
Python3.11.10
torch2.11.0+cu128
torchvision0.26.0+cu128
numpy2.2.6
scipy1.16.0
matplotlib3.8.4
seaborn0.13.2
spikingjellylatest from source

إعداد مجموعة البيانات

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

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

الاستخدام

1. هدف واحد (main_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

الوسيطةالافتراضيالوصف
--datasetgesturemnist، cifar10، caltech، gesture
--typestaticstatic، moving، smart، latency، rate، jitter، jitter_fixed
--epsilon0.1نسبة مجموعة التدريب المراد تسميمها
--trigger_label0الفئة المستهدفة
--T10خطوات زمنية للمحاكاة
--epochs10دورات التدريب
--batch_size16حجم الدفعة
--lr0.001معدل التعلم
--lossmsemse أو cross
--optimadamadam أو sgd
--ampمعطّلتفعيل الدقة المختلطة التلقائية
--seed42البذرة العشوائية
--data_dirdata/جذر مجموعة البيانات
--save_pathexperiments_singleجذر المخرجات
--model_pathNoneالبدء من نقطة تحقق مدربة مسبقًا

الوسائط الخاصة بالمحفّز

الوسيطةالافتراضيتنطبق على
--delay_frames2latency — إطارات التأخير
--scale_factor0.5rate — <1 أبطأ، >1 أسرع
--n_shift3jitter_fixed — عدد أزواج الإطارات المتبادلة
--trigger_size0.1static/moving/smart — حجم الرقعة كنسبة من العرض
--postop-leftstatic — top-left، top-right، bottom-left، bottom-right، middle، random
--polarity3static/moving/smart — 0=أسود، 1=أزرق داكن، 2=أخضر، 3=أزرق فاتح
--n_masks2smart — عدد المناطق المرشحة
--leastمعطّلsmart — استهداف المنطقة الأقل نشاطًا بدلًا من الأكثر
--most_polarityمعطّلsmart — استخدام القطبية الأكثر نشاطًا في المنطقة

تعيين --epsilon 0.0 يدرّب نموذجًا أساسيًا نظيفًا.


2. متعدد الأهداف (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/'
المعاملالافتراضيالوصف
--typeratestatic، latency، rate، jitter، jitter_fixed
--n_targets3عدد فئات الهدف
--trigger_labels[0..n-1]تسميات الهدف الصريحة؛ يجب أن يساوي طولها --n_targets
--epsilon0.1الميزانية 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.

المشغّلصريحنطاق تلقائيالافتراضي التلقائي
latency--delay_params 1 3 5--delay_min، --delay_max1 … T//2
rate--rate_params 0.3 0.6 0.9--rate_min، --rate_max0.1 … 6.0
jitter--jitter_params 0.05 0.15 0.25--jitter_std_min، --jitter_std_max0.05 … 0.3
jitter_fixed--nshift_params 1 3 5--n_shift_min، --n_shift_max1 … 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.


3. متعدد المشغّلات متعدد الأهداف (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/'
المعاملالافتراضيالوصف
--n_targets3عدد الأهداف؛ القيمتان 3 و5 لهما إعدادات مسبقة مدمجة
--target_typesNoneنوع 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
--epsilon0.2الميزانية 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:

تنزيل الأداة

الأكثر شعبية

عرض الكل →

اكتشف الأدوات الأكثر استخدامًا من قبل مجتمعنا.

لا توجد بيانات شعبية بعد.

استكشف جميع الأدوات

تصفح مجموعتنا من الأدوات

عرض جميع الأدوات →