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:

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

الوسائط الخاصة بالمحفز

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/'

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.

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/'

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:

حذف قائمة يعيّن تلقائيًا من نطاق *_min / *_max المطابق.

الإعدادات المسبقة المدمجة (تُستخدم عندما لا يُعطى --target_types):

• --n_targets 3 — static (الإطارات 0..T/3)، latency (--delay)، rate (--scale_factor)
• --n_targets 5 — اثنان static (مجموعات إطارات ومواضع مختلفة)، اثنان latency (--delay, --delay_2)، واحد rate

أي قيمة أخرى لـ --n_targets تتطلب --target_types.

المخرجات

كل تشغيل يكتب صفًا في ملف CSV مشترك بالإضافة إلى دليل تجربة مكتفٍ ذاتيًا.

تُرمَّز معاملات المحفز في اسم الدليل (df1 = تأخير 1، sf0.1 = معدل 0.1، ns3 = 3 تبديلات)، بحيث لا تستبدل التشغيلات التي تختلف فقط في معامل محفز بعضها البعض.

شكر وتقدير

أجزاء من قاعدة الأكواد هذه مقتبسة من مستودع Sneaky Spikes بواسطة Gorka Abad وآخرين، المصاحب للورقة البحثية "Sneaky Spikes: Uncovering Stealthy Backdoor Attacks in Spiking Neural Networks with Neuromorphic Data" (NDSS 2024). نشكر المؤلفين على إتاحة أكوادهم للعموم.

الاقتباس

إذا وجدت هذا العمل مفيدًا في بحثك، فيرجى التفكير في الاقتباس:

@article{miah2026tbackdoor,
  title   = {T-Backdoor: Exploiting Temporal Redundancy in Neuromorphic Data for Spike-preserving Backdoor Attacks on SNNs},
  author  = {Miah, Abdullah Arafat and Vu, Kevin and Bi, Yu},
  journal = {arXiv},
  year    = {2026}
}

التواصل

للأسئلة أو المشكلات المتعلقة بالكود، يرجى فتح مشكلة على GitHub أو التواصل مع:

• Abdullah Arafat Miah — [email protected]
• Yu Bi — [email protected]