Skip to content
KitploitKITPLOIT
ToolsExploitsBlog
Log in
Einreichen
ToolsExploitsBlog
Einreichen

Hacking-, PenTest- und Cybersicherheits-Tools für Ihr Sicherheitsarsenal!

Kitploit ist ein Verzeichnis von Hacking-, Cybersicherheits- und Pentesting-Tools. Entdecken Sie die neuesten Projekt-Updates, um Schwachstellen zu finden, Systeme zu analysieren, Tests zu automatisieren und Ihre Sicherheit zu stärken.

FeedsKontaktDatenschutz© 2026 Kitploit

Tool-Verzeichnis

Kategorien

Alle Kategorien anzeigen
Loading categories
NeuPerm — Null-Retraining-Sanitisierung, die permutationselektive neuronale Netzwerkeinheiten neu anordnet, um Malware zu zerstören, die durch Weight-Steganography-Angriffe eingebettet wurde, während die Modellgenauigkeit erhalten bleibt. | Kitploit
Tools/GitHubGitHub/danigil/neuperm
DefensivwerkzeugeSteganografieMalware-AnalyseMaschinelles LernenPapers & ForschungKI-Sicherheit
GitHubdanigil/neuperm

NeuPerm

Null-Retraining-Sanitisierung, die permutationselektive neuronale Netzwerkeinheiten neu anordnet, um Malware zu zerstören, die durch Weight-Steganography-Angriffe eingebettet wurde, während die Modellgenauigkeit erhalten bleibt.

Repository anzeigen
15vor 20 TagenNoch nicht geprüft

Beliebteste

Alle anzeigen →

Entdecken Sie die meistgenutzten Tools unserer Community.

Alle Tools erkunden

Durchsuchen Sie unsere Tool-Sammlung

Alle Tools anzeigen →
Teilen

NeuPerm

Code für das Paper NeuPerm: Disrupting the Extraction of Malware Hidden in Neural Network Parameters by Leveraging Permutation Symmetry.

NeuPerm ist ein Sanitisierungsschritt ohne Zusatzkosten und ohne erneutes Training, der in vortrainierten Modellgewichten versteckte Malware stört, indem er permutationsäquivalente Einheiten neu anordnet. Die Permutation lässt die Berechnung auf Modellebene unverändert, zerstört jedoch Payloads, die durch Weight-Steganography-Angriffe wie MaleficNet und EvilModel eingebettet wurden, bei vernachlässigbaren Kosten für die Modellgenauigkeit.

Quickstart — NeuPerm anwenden

from neu_perm.perm import permute_model

# any supported CNN (vgg11/16, resnet50/101, densenet121,
# efficientnet_b0/b4, mobilenet_v2/v3_small) or LLM (llama-3.2-1b, qwen2.5-1.5b)
sanitized_sd = permute_model("vgg16", model.state_dict())
model.load_state_dict(sanitized_sd)

Lizenz

Patent angemeldet. Nur für nicht-kommerzielle Nutzung ohne Bearbeitung lizenziert (Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International) — siehe LICENSE.

Das Paper reproduzieren

Das Repository stellt ein Skript pro Paper-Experiment bereit, und die CSVs, die den Tabellen und Abbildungen des Papers zugrunde liegen, sind unter results/ eingecheckt. Siehe REPRODUCTION.md für den Index Paper-Artefakt → Skript/CSV sowie für die Datensätze, Modelle und Payloads, die Sie selbst bereitstellen müssen.

Umgebung

conda env create -n neuperm -f environment.yaml
conda activate neuperm
pip install -e .

Die Abhängigkeiten sind für Python 3.9.18, PyTorch 2.1.0 (CUDA 11.8) und torchvision 0.16.0 festgeschrieben, mit HuggingFace transformers für die beiden LLMs; der genaue Satz steht in environment.yaml und requirements-lock.txt.

Hinweis: Wenn Sie pyenv installiert haben, können dessen Shims auf dem PATH vor condas bin bleiben, selbst nach conda activate. Überprüfen Sie dies mit which python — es sollte .../envs/neuperm/bin/python ausgeben. Wenn ein Pfad unter ~/.pyenv/shims/ zurückgegeben wird, führen Sie zuerst pyenv shell system aus oder rufen Sie die Binärdatei der Umgebung direkt auf.

Zitieren

Siehe CITATION.cff.

Tool herunterladen