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
D-Scan — يحلل الحالات الداخلية لنماذج LLM وأكثر من 100 ميزة من ميزات الانتباه/الاحتمالات لتدريب مصنفات تكتشف هجمات تسميم المستندات في أنظمة RAG. | Kitploit
أدوات/GitHubGitHub/yingtaoren/d-scan
أدوات دفاعيةتعلم الآلةأمن الذكاء الاصطناعيكشف الشذوذ
GitHubyingtaoren/d-scan

D-Scan

يحلل الحالات الداخلية لنماذج LLM وأكثر من 100 ميزة من ميزات الانتباه/الاحتمالات لتدريب مصنفات تكتشف هجمات تسميم المستندات في أنظمة RAG.

عرض المستودع
1232منذ 2 أشهرلم تتم المراجعة بعد
مشاركة
الموقع الإلكتروني

عندما يعضّ السياق: كشف تسميم RAG عبر انهيار الانتباه على مستوى المستند

التنفيذ الرسمي لـ ورقة SIGIR 2026 عندما يعضّ السياق: كشف تسميم RAG عبر انهيار الانتباه على مستوى المستند.

D-SCAN هو إطار تحليلي لكشف هجمات تسميم المستندات في أنظمة RAG (التوليد المعزز بالاسترجاع). يجمع الحالات الداخلية لنموذج اللغة الكبير (LLM) أثناء التوليد (احتمالات الرموز وأوزان الانتباه)، ويستخرج ميزات متعددة الأبعاد، ويدرّب المصنّفات للتمييز بين المستندات المسترجعة النظيفة والمسمومة.

1. التثبيت والمتطلبات

المتطلبات الأساسية

  • Python >= 3.9
  • وحدة معالجة رسومات متوافقة مع CUDA (يُوصى بـ >= 24GB VRAM لاستدلال نموذج بـ 8B معامل)

تحضير النموذج

يستخدم هذا المشروع Llama-3.1-8B-Instruct افتراضيًا. نزّل النموذج إلى مسار محلي وحدّث المتغير MODEL_ID في collect_inner_state.py:

MODEL_ID = "/your/path/to/Llama-3.1-8B-Instruct"

2. البدء السريع

تتكون سير العمل الكاملة من ثلاث خطوات: جمع الحالات الداخلية ← حساب السمات ← تدريب المصنّف. يُقدَّم السؤال والمستندات المسترجعة ذات الصلة في https://huggingface.co/datasets/An998/D-SCAN.

الخطوة 1: جمع الحالات الداخلية للنموذج

# Update configuration parameters in collect_inner_state.py, then run
python collect_inner_state.py

الخطوة 2: حساب مقاييس الميزات

# Analyze both attack and clean data, compute all features, and save results
python compute_feature.py \
    --attack_dir ./saved_reppl_weights_serial_query1_attack2_2wiki \
    --clean_dir ./saved_reppl_weights_serial_query1_pure1_5_2wiki \
    --output_dir ./analysis_results/2wiki_all \
    --max_attack_samples 3000 \
    --max_clean_samples 3000

الخطوة 3: تدريب المصنّف وتقييمه

افتح fit_D-SCAN.ipynb ونفّذ الخلايا بالتسلسل من أجل:

  1. تحميل بيانات الميزات المُنشأة في الخطوة 2
  2. تدريب مصنّفات Logistic Regression / Random Forest (5-Fold CV)
  3. تقييم أداء النقل على مجموعة الاختبار

3. تفاصيل خط الأنابيب

3.1 جمع البيانات (collect_inner_state.py)

لكل مُدخل سؤال-مستند، يُجري نموذج اللغة الكبير (LLM) توليدًا متعدد العينات (الافتراضي: 10 عينات، temperature=1.0) ويجمع الحالات الداخلية التالية:

الحقلالنوعالوصف
outer_ppl_probsList[Tensor]احتمال توليد الرمز لكل عينة
inner_ppl_matrixList[List[Tensor]]أوزان الانتباه على تسلسل الإدخال عند كل خطوة توليد (متوسط على مستوى الطبقات)
doc_rangesDict[str, List[int]]نطاق موضع الرمز لكل مستند في تسلسل الإدخال
generated_sequencesList[List[int]]تسلسلات معرّفات الرموز المُولّدة لكل عينة

معاملات التهيئة الرئيسية

MODEL_ID = "/path/to/model"     # Model path
NUM_SAMPLES = 10                # Number of samples per question
MAX_NEW_TOKENS = 50             # Maximum generated tokens
TEMPERATURE = 1.0               # Sampling temperature
data_type = 'pure1_5'           # Data type: 'pure1_5' (clean) or 'attack2' (attack)
dataset_name = 'hotpotqa'       # Dataset: 'hotpotqa', '2wiki', 'musique'

تُحفظ المخرجات كملفات data_{batch_id}_reppl.pt وملفات إحصاءات results_stats_*.jsonl.


3.2 حساب الميزات (compute_feature.py)

يستخرج 10 فئات تضم أكثر من 100 ميزة بُعدية من الحالات الداخلية المجمّعة. يستخدم المصنّف هذه الميزات لتحديد ما إذا كانت هناك مستندات مسمومة بين المستندات المسترجعة لاستعلام معين.

نظرة عامة على المقاييس

#الفئةاسم الصنفعدد الميزاتالفكرة الأساسية
1إحصاءات احتمالية التوليدPerplexityMetrics8قد تزيد المستندات المسمومة من عدم يقين النموذج أثناء التوليد، وهو ما ينعكس في تغيّرات توزيع الاحتمالات
2إنتروبيا الانتباهAttentionEntropyMetrics4إنتروبيا عالية = انتباه مشتّت = احتمال وجود معلومات متعارضة؛ إنتروبيا منخفضة = انتباه مركّز
3تركيز الانتباهAttentionConcentrationMetrics8يقيس ما إذا كان الانتباه مركّزًا على عدد قليل من الرموز عبر نسبة Top-K ومعامل جيني
4كثافة انتباه المستندDocumentAttentionDensityMetrics6مجموع الانتباه مقسومًا على طول المستند، ما يزيل تحيّز الطول في توزيع الانتباه
5اتساق العينات المتعددةSampleConsistencyMetrics4في ظل التسميم، قد تكون أنماط الانتباه عبر العينات غير متسقة (تشابه جيبي، تباعد JS)
6ديناميكيات الانتباهAttentionDynamicsMetrics4تكرار تبديل المستند المهيمن ومقدار تغيّر الإنتروبيا أثناء التوليد
7تذبذب الانتباه على مستوى الرمزTokenLevelAttentionMetrics16استقرار الانتباه عند كل موضع رمز إدخال عبر خطوات التوليد (الانحراف المعياري، الإنتروبيا)
8إحصاءات معمّقة لاحتمالية الإجابةAnswerProbabilityMetrics18كمّيات احتمالية، ونسب الرموز عالية/منخفضة الاحتمال، واللوغاريتم الاحتمالي، والاعتلاج، إلخ.
9ديناميكيات الاحتمالProbabilityDynamicsMetrics14ميل الاتجاه، والارتباط الذاتي، والتقلب، ونسبة القمم في تسلسل التوليد
10اتساق الاحتمال عبر العيناتCrossSampleProbabilityConsistencyMetrics13تشابه جيبي، وارتباط بيرسون، ومتوسط الخطأ التربيعي، ومؤشر التباعد عبر العينات

أوصاف المقاييس التفصيلية

1. PerplexityMetrics (إحصاءات احتمالية التوليد)

تُحسب من outer_ppl_probs (احتمالية كل رمز مولّد):

  • ppl_mean_prob: متوسط الاحتمالية عبر جميع الرموز المولّدة
  • ppl_std_prob: الانحراف المعياري للاحتمالية
  • ppl_min_prob: أدنى احتمالية (عدم يقين أقصى)
  • ppl_low_prob_ratio: نسبة الرموز منخفضة الاحتمال (<0.1)
  • ppl_cross_sample_var: تباين متوسطات الاحتمالات عبر العينات
  • ppl_coef_variation: معامل الاختلاف (CV = std/mean)
  • ppl_skewness: التواء توزيع الاحتمالات
  • ppl_kurtosis: تفرطح توزيع الاحتمالات

2. AttentionEntropyMetrics (إنتروبيا الانتباه)

تُحسب من inner_ppl_matrix (أوزان الانتباه عند كل خطوة):

  • attn_entropy_mean/std/max: المتوسط والانحراف المعياري والحد الأقصى لإنتروبيا توزيع الانتباه
  • attn_entropy_cv: معامل الاختلاف لإنتروبيا الانتباه

3. AttentionConcentrationMetrics (تركيز الانتباه)

  • attn_top5/10/20_ratio_mean/std: حصة الانتباه التي تستحوذ عليها رموز Top-K%
  • attn_gini_mean/std: معامل جيني لتوزيع الانتباه (مقياس عدم المساواة)

4. DocumentAttentionDensityMetrics (كثافة انتباه المستند)

  • doc_attn_dens_std/range/max/min: الانحراف المعياري والمدى والحد الأقصى والحد الأدنى لكثافة الانتباه عبر المستندات
  • doc_attn_dens_entropy: إنتروبيا توزيع كثافة انتباه المستند
  • doc_attn_dens_temporal_var_mean: المتوسط الحسابي للتباين الزمني لكثافة انتباه المستند

5. SampleConsistencyMetrics (اتساق العينات المتعددة)

  • sample_attn_consistency/std: تشابه جيبي (cosine similarity) عبر العينات للانتباه على مستوى الرموز
  • sample_doc_consistency: تشابه جيبي عبر العينات للانتباه على مستوى المستند
  • sample_doc_js_divergence: تباعد JS عبر العينات للانتباه على مستوى المستند

6. AttentionDynamicsMetrics (ديناميكيات الانتباه)

  • attn_doc_switch_mean/max: عدد تبديلات المستند المهيمن
  • attn_entropy_change_mean/std: التغير في إنتروبيا الانتباه على مستوى الخطوة

7. TokenLevelAttentionMetrics (تقلب الانتباه على مستوى الرموز)

  • tla_std_mean/std/max/median/p90/p99/high_ratio/cv: إحصاءات الانحراف المعياري للانتباه لكل رمز عبر خطوات التوليد
  • tla_ent_mean/std/max/median/p90/p99/high_ratio/cv: إحصاءات إنتروبيا الانتباه لكل رمز عبر خطوات التوليد
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.

    501
  • 2

    ghostlock-app

    yukonga/ghostlock-app

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

    467
  • 3

    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.

    340
  • 4

    opencti

    opencti-platform/opencti

    منصة مفتوحة لاستخبارات التهديدات السيبرانية

    314
  • 5

    redforge

    cybersecurity91/redforge

    مجموعة أدوات الفريق الأحمر في المتصفح مع 102 أداة دون اتصال للاستطلاع، وتوليد الحمولات، وهجمات بيانات الاعتماد، والتشفير، والترميز، وإعداد تقارير المهام.

    307
  • 6

    estorides

    grisuno/estorides

    يجمع أكثر من 99 مصدرًا مجانيًا من مصادر OSINT بالتوازي، ويحوّل الكيانات إلى رسم بياني معرفي، ويصدّر بصيغة STIX 2.1 أو MISP أو GraphML مع تحليل بمساعدة LLM.

    295

استكشف جميع الأدوات

تصفح مجموعتنا من الأدوات

عرض جميع الأدوات →