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
CacheTrap — Forschungscode für einen Gray-Box-Trojaner-Angriff, der ein einzelnes KV-Cache-Bit in feinabgestimmten LLM-Klassifikatoren umkippt und die Angriffserfolgsrate pro Klasse misst. | Kitploit
Tools/GitHubGitHub/ml-security-research-lab/cachetrap
SchwachstellenanalyseMaschinelles LernenPapers & ForschungKI-SicherheitAdversarial-Angriff
GitHubml-security-research-lab/cachetrap

CacheTrap

Forschungscode für einen Gray-Box-Trojaner-Angriff, der ein einzelnes KV-Cache-Bit in feinabgestimmten LLM-Klassifikatoren umkippt und die Angriffserfolgsrate pro Klasse misst.

Repository anzeigen
446vor 1 MonatNoch nicht geprüft
Teilen

CacheTrap

Repository für „CacheTrap: Unveiling a Stealthier Gray-Box Trojan against LLMs“, IEEE/ACM International Conference on Computer-Aided Design (ICCAD), 2026.

arXiv

CacheTrap sucht nach einem einzelnen Bit-Flip im KV-Cache eines feinabgestimmten LLM-Klassifikators und misst die daraus resultierende Angriffserfolgsrate (ASR) pro Zielklasse.


1. Einrichtung

Python 3.10, CUDA 12.x.

conda create -n cachetrap python=3.10
conda activate cachetrap
pip install -r requirements.txt

Hugging-Face-Zugriff. meta-llama/Llama-2-7b-chat-hf und meta-llama/Llama-3.1-8B-Instruct sind zugriffsbeschränkt. Akzeptiere die Lizenzen auf dem Hub und führe dann aus:

huggingface-cli login

2. Training

Ein Modell / ein Datensatz:

python train_model.py --model llama3_1_8b --dataset arc_easy

Der Checkpoint wird nach TrainedModels/merged_<model>_<dataset>/ geschrieben.

Alle Modelle × alle Datensätze:

bash scripts/train.sh

Bearbeite MODELS, DATASETS und NUM_GPUS am Anfang des Skripts, um eine Teilmenge auszuführen. Logs werden in logs/training/ abgelegt.

Hinweis: Auf GPUs mit weniger Speicher verwende train_model_lowmem.py anstelle von train_model.py, sowohl im obigen Befehl als auch in scripts/train.sh.


3. Angriff

python attack.py --model llama3_1_8b --dataset arc_easy --calib_dataset openbookqa

--dataset ist der Datensatz, auf dem das Opfer trainiert wurde; --calib_dataset sind die Daten, die dem Angreifer zur Verfügung stehen. Gemäß dem Paper werden Opfer, die auf OpenBookQA, TREC oder ARC-Challenge trainiert wurden, mit ARC-Easy kalibriert, und Opfer, die auf ARC-Easy trainiert wurden, werden mit OpenBookQA kalibriert. Die beiden Batch-Skripte bilden genau diese Aufteilung ab:

SkriptOpfer-DatensätzeKalibrierung
scripts/attack_bundle1.shopenbookqa, trec, arc_challengearc_easy
scripts/attack_bundle2.sharc_easyopenbookqa
bash scripts/attack_bundle1.sh
bash scripts/attack_bundle2.sh

Jedes Skript führt am Ende summarize_logs.py über sein eigenes Log-Verzeichnis aus. Führe python attack.py --help aus, um die vollständige Optionsliste zu erhalten.

Ausgaben

  • logs/<run>/<model>_<dataset>.log — vollständige Ausgabe pro Lauf
  • logs/<run>/summary.csv — eine Zeile pro Zielklasse (Baseline-Genauigkeit, Genauigkeit unter Angriff, ASR, Flip-Position)
  • logs/<run>/summary.txt — die rohen Zusammenfassungsblöcke
  • flip_locations/*.json — Flip-Positionen, falls --save_flip_locations übergeben wurde

Um ohne Wiederholung der Suche neu zu evaluieren:

python attack.py --model llama3_1_8b --dataset arc_easy --calib_dataset openbookqa \
    --load_flip_locations flip_locations/llama3_1_8b_arc_easy.json

4. Schnelltest mit einem veröffentlichten Checkpoint

Um den Angriff ohne jegliches Training auszuprobieren, lade den veröffentlichten merged_llama3_1_8b_arc_easy Checkpoint herunter und lege ihn unter TrainedModels/ ab:

TrainedModels/
└── merged_llama3_1_8b_arc_easy/
    ├── config.json
    ├── model-*.safetensors
    ├── tokenizer.json
    └── ...

Führe dann den folgenden Befehl aus, um anzugreifen:

python attack.py --model llama3_1_8b --dataset arc_easy --calib_dataset openbookqa \
    --load_flip_locations flip_locations/llama3_1_8b_arc_easy.json

Alternativ führe Folgendes für einen frischen Angriff aus

python attack.py \
    --model llama3_1_8b \
    --dataset arc_easy \
    --calib_dataset openbookqa \
    --threat_model graybox \
    --save_flip_locations flip_locations/llama3_1_8b_arc_easy_fresh.json

Dies gibt eine klassenweise Zusammenfassung der Baseline-Genauigkeit, der Genauigkeit unter Angriff, der ASR und der ausgewählten Flip-Position aus.


Zitation

Zitiere die Pre-Print-Version als

@article{nahian2025cachetrap,
  title={CacheTrap: Unveiling a Stealthier Gray-Box Trojan against LLMs},
  author={Nahian, Mohaiminul Al and Almalky, Abeer Matar A and Aragonda, Gamana and Zhou, Ranyang and Ahmed, Sabbir and Ponomarev, Dmitry and Yang, Li and Angizi, Shaahin and Rakin, Adnan Siraj},
  journal={arXiv preprint arXiv:2511.22681},
  year={2025}
}
Tool herunterladen

Beliebteste

Alle anzeigen →

Entdecken Sie die meistgenutzten Tools unserer Community.

  • 1

    OsintHunter

    letox4/osinthunter

    🎯 Das ultimative OSINT-Toolkit: Untersuchungsgraph, Konfidenzbewertung, Alias-Familien, Karte, Zeitleiste und Berichte. 49 Module, 400+ Websites, keine API-Schlüssel erforderlich.

    871
  • 2

    ghostlock-app

    yukonga/ghostlock-app

    GhostLock One-Tap Execution App (CVE-2026-43499)

    548
  • 3

    ARTEX

    baarai/artex

    LLM-basierte Multi-Agenten-Plattform für autonome Penetrationstests mit Planer-/Worker-Agenten, Asset- und Explorationsgraphen, MITM-Verkehrsaufzeichnung und Schwachstellen-Retesting.

    383
  • 4

    redforge

    cybersecurity91/redforge

    Browser-seitiges Red-Team-Toolkit mit 102 Offline-Tools für Recon, Payload-Generierung, Credential-Angriffe, Krypto, Encoding und Engagement-Reporting.

    361
  • 5

    looking-glass

    anonghosty/looking-glass

    CSIRT-Plattform, die Shadowserver-Berichte in MongoDB einliest und sie als interaktive Karten, Analysen, Findings, Advisories und Executive-Dashboards wiedergibt.

    305
  • 6

    CyberStrikeAI

    ed1s0nz/cyberstrikeai

    Das System der Handlung für KI-native Cybersicherheit – wo Absicht zu gesteuerter Ausführung wird, Beweise zu operativem Gedächtnis werden und jeder Einsatz den nächsten verbessert.

    280

Alle Tools erkunden

Durchsuchen Sie unsere Tool-Sammlung

Alle Tools anzeigen →