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
T-Backdoor — 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. | Kitploit
Tools/GitHubGitHub/sisl-uri/t-backdoor
Maschinelles LernenPapers & ForschungLernen & BildungKI-SicherheitAdversarial-Angriff
GitHubsisl-uri/t-backdoor

T-Backdoor

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.

Repository anzeigen
283vor 13 TagenNoch nicht geprüft
Teilen

Beispielcodes für das Paper: „T-Backdoor: Exploiting Temporal Redundancy in Neuromorphic Data for Spike-preserving Backdoor Attacks on SNNs“

Zusammenfassung

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.

Repository-Struktur

├── 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

Voraussetzungen

  • Python 3.11
  • CUDA-fähige GPU (CPU funktioniert, ist aber praktisch zu langsam)
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:

PaketVersion
Python3.11.10
torch2.11.0+cu128
torchvision0.26.0+cu128
numpy2.2.6
scipy1.16.0
matplotlib3.8.4
seaborn0.13.2
spikingjellyneueste Version aus dem Quellcode

Dataset-Einrichtung

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 sein

Verwendung

1. Einzelziel (main_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

ArgumentStandardBeschreibung
--datasetgesturemnist, cifar10, caltech, gesture
--typestaticstatic, moving, smart, latency, rate, jitter, jitter_fixed
--epsilon0.1Anteil des Trainingssatzes, der vergiftet wird
--trigger_label0Zielklasse
--T10Simulationszeitschritte
--epochs10Trainingsepochen
--batch_size16Batch-Größe
--lr0.001Lernrate
--lossmsemse oder cross
--optimadamadam oder sgd
--ampausAutomatische gemischte Präzision aktivieren
--seed42Zufallsseed
--data_dirdata/Datensatz-Wurzelverzeichnis
--save_pathexperiments_singleAusgabewurzelverzeichnis
--model_pathNoneVon einem vorab trainierten Checkpoint starten

Triggerspezifische Argumente

ArgumentStandardGilt für
--delay_frames2latency — Frames Verzögerung
--scale_factor0.5rate — <1 langsamer, >1 schneller
--n_shift3jitter_fixed — Anzahl der vertauschten Frame-Paare
--trigger_size0.1static/moving/smart — Patch-Größe als Bruchteil der Breite
--postop-leftstatic — top-left, top-right, bottom-left, bottom-right, middle, random
--polarity3static/moving/smart — 0=schwarz, 1=dunkelblau, 2=grün, 3=hellblau
--n_masks2smart — Anzahl der Kandidatenregionen
--leastaussmart — auf die am wenigsten aktive Region abzielen statt auf die aktivste
--most_polarityaussmart — die aktivste Polarität in der Region verwenden

Das Setzen von --epsilon 0.0 trainiert ein sauberes Baseline-Modell.


2. Multi-Target (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/'
ArgumentStandardBeschreibung
--typeratestatic, latency, rate, jitter, jitter_fixed
--n_targets3Anzahl der Zielklassen
--trigger_labels[0..n-1]Explizite Ziel-Labels; Länge muss --n_targets entsprechen
--epsilon0.1Gesamt-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.

TriggerExplizitAuto-BereichAuto-Standard
latency--delay_params 1 3 5--delay_min, --delay_max1 … T//2
rate--rate_params 0.3 0.6 0.9--rate_min, --rate_max0.1 … 6.0
jitter--jitter_params 0.05 0.15 0.25--jitter_std_min, --jitter_std_max0.05 … 0.3
jitter_fixed--nshift_params 1 3 5--n_shift_min, --n_shift_max1 … 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.


3. Multi-Trigger Multi-Target (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/'
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.

    755
  • 2

    ghostlock-app

    yukonga/ghostlock-app

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

    510
  • 3

    ARTEX

    baarai/artex

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

    415
  • 4

    redforge

    cybersecurity91/redforge

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

    343
  • 5

    antifox

    antifox-ai/antifox

    KI-Multi-Agenten-Plattform für autonome Penetrationstests, die Recon, Angriffsflächen-Erkennung, Exploit-Validierung und evidenzbasierte Berichtserstellung durchführt.

    259
  • 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.

    258

Alle Tools erkunden

Durchsuchen Sie unsere Tool-Sammlung

Alle Tools anzeigen →