
Forschungscode zur Implementierung von T-Backdoor, zeitlich ausgelösten Backdoor-Angriffen auf spiking neuronale Netze unter Verwendung von Rate-, Latenz- und Jitter-Triggern ohne räumliche Perturbation.
Backdoor-Angriffe stellen eine ernsthafte Sicherheitsbedrohung für tiefe neuronale Netze (DNNs) dar und sind für spikende neuronale Netze (SNNs) weitgehend noch unzureichend erforscht. Bestehende Angriffe führen in erster Linie raumzeitliche Trigger ein, die Abweichungen in der Spike-Verteilung vergifteter Proben gegenüber ihren sauberen Gegenstücken hervorrufen. Um diese Einschränkung zu beheben, wird in dieser Arbeit ein neuartiger Backdoor-Angriff auf SNNs vorgeschlagen, der als \textbf{T-Backdoor} bezeichnet wird und mit rein zeitlichen Triggern wie \textit{Rate}, \textit{Latency} und \textit{Jitter} arbeitet, ohne jegliche räumliche Störung einzuführen, wodurch die Verschiebung der Spike-Verteilungen deutlich schwerer zu erkennen ist. Durch umfangreiche Experimente auf drei neuromorphen Benchmark-Datensätzen – N-MNIST, CIFAR10-DVS und N-Caltech101 – sowie die Evaluierung gegen sieben Baseline-Backdoor-Verteidigungsmethoden zeigen wir, dass T-Backdoor sowohl in Single-Target- als auch in Multi-Target-Einstellungen eine nahezu perfekte Angriffserfolgsrate (ASR) von 100% erreicht, bei nur geringfügiger Verschlechterung der sauberen Genauigkeit, und dabei robust gegenüber bestehenden Techniken zur Backdoor-Erkennung und -Abschwächung bleibt.
├── 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
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
Referenzumgebung für die berichteten Ergebnisse:
| Paket | Version |
|---|---|
| Python | 3.11.10 |
| torch | 2.11.0+cu128 |
| torchvision | 0.26.0+cu128 |
| numpy | 2.2.6 |
| scipy | 1.16.0 |
| matplotlib | 3.8.4 |
| seaborn | 0.13.2 |
| spikingjelly | neueste Version aus dem Quellcode |
Laden Sie die rohen neuromorphen Datensätze herunter und legen Sie jeden in einem eigenen Unterverzeichnis von
data/ ab, das genau dem Wert von --dataset entspricht:
data/
├── mnist/ # N-MNIST
├── cifar10/ # CIFAR10-DVS
├── caltech/ # N-Caltech101
└── gesture/ # DVS128-Gesture
data/ muss ein tatsächliches Verzeichnis in Ihrem Arbeitsverzeichnis seinmain_single.py)Ein Trigger, eine Zielklasse.
python main_single.py --dataset cifar10 --type latency --delay_frames 1 \
--T 10 --epochs 100 --epsilon 0.1 --data_dir 'data/'
Kernargumente
| Argument | Standard | Beschreibung |
|---|---|---|
--dataset | gesture | mnist, cifar10, caltech, gesture |
--type | static | static, moving, smart, latency, rate, jitter, jitter_fixed |
--epsilon | 0.1 | Anteil des Trainingssatzes, der vergiftet wird |
--trigger_label | 0 | Zielklasse |
--T | 10 | Simulationszeitschritte |
--epochs | 10 | Trainingsepochen |
--batch_size | 16 | Batch-Größe |
--lr | 0.001 | Lernrate |
--loss | mse | mse oder cross |
--optim | adam | adam oder sgd |
--amp | aus | Automatische gemischte Präzision aktivieren |
--seed | 42 | Zufallsseed |
--data_dir | data/ | Datensatz-Wurzelverzeichnis |
--save_path | experiments_single | Ausgabewurzelverzeichnis |
--model_path | None | Von einem vorab trainierten Checkpoint starten |
Triggerspezifische Argumente
| Argument | Standard | Gilt für |
|---|---|---|
--delay_frames | 2 | latency — Frames Verzögerung |
--scale_factor | 0.5 | rate — <1 langsamer, >1 schneller |
--n_shift | 3 | jitter_fixed — Anzahl der vertauschten Frame-Paare |
--trigger_size | 0.1 | static/moving/smart — Patch-Größe als Bruchteil der Breite |
--pos | top-left | static — top-left, top-right, bottom-left, bottom-right, middle, random |
--polarity | 3 | static/moving/smart — 0=schwarz, 1=dunkelblau, 2=grün, 3=hellblau |
--n_masks | 2 | smart — Anzahl der Kandidatenregionen |
--least | aus | smart — auf die am wenigsten aktive Region abzielen statt auf die aktivste |
--most_polarity | aus | smart — die aktivste Polarität in der Region verwenden |
Das Setzen von --epsilon 0.0 trainiert ein sauberes Baseline-Modell.
main_multi_target.py)Ein Trigger-Typ, N Zielklassen getrennt durch den Parameterwert des Triggers.
# 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/'
| Argument | Standard | Beschreibung |
|---|---|---|
--type | rate | static, latency, rate, jitter, jitter_fixed |
--n_targets | 3 | Anzahl der Zielklassen |
--trigger_labels | [0..n-1] | Explizite Ziel-Labels; Länge muss --n_targets entsprechen |
--epsilon | 0.1 | Gesamt-Budget, gleichmäßig auf die Ziele aufgeteilt |
Parameter pro Ziel. Geben Sie sie explizit an oder lassen Sie sie automatisch durch
np.linspace über einen Bereich zuweisen. Explizite Listen müssen die Länge --n_targets haben und
die Bereichsargumente überschreiben.
| Trigger | Explizit | Auto-Bereich | Auto-Standard |
|---|---|---|---|
latency | --delay_params 1 3 5 | --delay_min, --delay_max | 1 … T//2 |
rate | --rate_params 0.3 0.6 0.9 | --rate_min, --rate_max | 0.1 … 6.0 |
jitter | --jitter_params 0.05 0.15 0.25 | --jitter_std_min, --jitter_std_max | 0.05 … 0.3 |
jitter_fixed | --nshift_params 1 3 5 | --n_shift_min, --n_shift_max | 1 … max(n_shift_min+1, T//4) |
static | — | — | T aufgeteilt in n_targets Frame-Gruppen |
Automatisch zugewiesene ganzzahlige Parameter (latency, jitter_fixed) werden durch
Inkrementieren von Kollisionen dedupliziert, sodass keine zwei Ziele denselben Wert teilen.
Bei static werden die Ziele durch welche Frames den Patch tragen unterschieden — die Zeitachse
unterscheidet sie, nicht das Erscheinungsbild des Patches.
Die ASR pro Ziel wird in jeder Epoche zusammen mit der sauberen Genauigkeit ausgegeben.
main_mtmt.py)Ein anderer Trigger-Typ pro Ziel.
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/'